PREVISÃO DE RESULTADOS EM PARTIDAS DE FUTEBOL
|
|
- Jerónimo Martins Bugalho
- 7 Há anos
- Visualizações:
Transcrição
1 PREVISÃO DE RESULTADOS EM PARTIDAS DE FUTEOL Marcelo Leme de Arruda Unversdade Federal do Ro Grande do Norte Semana de Estatístca 03
2 Modelos de Prevsão Ingredentes: Representação paramétrca Descrção matemátca da probabldade de um dado resultado ou placar "Equação das probabldades" Método de estmação Forma de obtenção dos parâmetros da "equação das probabldades" a partr de dados e nformações reas
3 Modelos de Prevsão Ingredentes: 3 Análse de Qualdade Quão "bom" é o modelo? Atrbutos de qualdade Meddas de qualdade Valores de referênca
4 Representação Paramétrca Estem duas formas abordagens de representação paramétrca: * Representação para o RESULTADO: Pvtóra Pempate Pderrota * Representação para o PLACAR do jogo: P00 P0 P0 P0 P P P0 P P
5 Representação Paramétrca Representação para o RESULTADO Váras podem ser formuladas, mas a mas conhecda é a Representação de radley- Terry: p, j P vencer j Eemplo: jogo A com 4 e 5 A j 4 então: p A, e 9 p, A 5 9
6 Representação Paramétrca Construção de radley-terry Embora seja etremamente ntutva, a Representação de radley-terry pode ser matematcamente construída a partr da Dstrbução de Gumbel também conhecda como Dstrbução de Valores Etremos. Defnção: dz-se que X ~ Gumbelµ, β se: f ep β µ β e µ β
7 Representação Paramétrca Construção de radley-terry então: F P X e µ e β Consderemos agora que cada tme tem um escore latente S "escore latente" sgnfca um placar não-observável mas que ndretamente defne o vencedor eemplo: adrez. Suponhamos então que o tme tem um escore latente S que segue uma Dstrbução de Gumbel com parâmetros β e µ log.
8 Representação Paramétrca Construção de radley-terry então: F s P S s e slog e Assm, o resultado de um jogo entre dos tmes e j pode ser representado por uma varável aleatóra S S. j E pode-se mostrar que essa varável tem dstrbução de probabldade F δ P ln ln j δ j e
9 Representação Paramétrca Construção de radley-terry e, por fm, que a probabldade de vtóra do tme contra o tme j é gual a: P vencer j P e > 0 ln ln j P 0 j
10 Representação Paramétrca radley-terry - Observações A formulação padrão de radley-terry se aplca somente a confrontos smples onde não este a possbldade de empate eemplo: adrez - Rankng Elo. Porém, estem adaptações / epansões que contemplam: * Possbldade de empate; * Efeto "vantagem do prmero jogador" jogar com as brancas, jogar no seu própro campo etc.; * Margem de vtóra * etc.
11 Representação Paramétrca Representação para o PLACAR Váras podem ser formuladas, mas a mas usual é a Dstrbução de Posson, ou seja, se X é o número de gols marcados por um tme num dado jogo, então: e P X P marcar gols! Eemplo: se E[X],8 ou seja, se. o tme "marca em méda,8 gol por jogo", então a probabldade de ele marcar 3 gols é: P X 3 e,8,8 3! 3 0,6
12 Representação para o PLACAR MAS... pode-se consderar que E[X] e PX dependam da força do adversáro. Por sso, uma representação mas adequada pode ser a Dstrbução de Holgate:, mn 0!!!, y y y e y Y X P Representação Paramétrca
13 Representação Paramétrca Construção da Holgate Assm como vmos com a Representação de radley-terry, a Dstrbução de Holgate também tem sua razão de ser. Consderemos três varáves ndependentes P, P e P, com dstrbuções de Posson: P ~ Posson P ~ Posson P ~ Posson
14 Representação Paramétrca Construção da Holgate E defnamos X e Y da segunte forma: X P P Y P P Então, a Dstrbução de Holgate é a dstrbução do vetor X,Y, ou seja: P X, Y y P P P, P P y Notem que é a presença comum de P nas epressões de X e Y que provoca a dependênca entre as duas varáves.
15 Estmação dos Parâmetros Estem város modos possíves para estmar obter os parâmetros de uma representação: * Máma Verossmlhança * Mínmos Quadrados Modelos Lneares * Estmação ayesana / Métodos Iteratvos * Estmação dreta * etc.
16 Estmação dos Parâmetros Máma Verossmlhança É a procura, dentre todos os valores possíves que os parâmetros podem assumr, daqueles que mamzam a probabldade de ocorrênca dos resultados observados. Eemplo - radley-terry: N N n p j, L n j j j j j verossmlhança de um jogo verossmlhança total
17 Máma Verossmlhança Eemplo numérco - radley-terry: Estmação dos Parâmetros D A D C D C A A D C C A A L Então, a verossmlhança total para esses jogos é: A vence A vence C vence C C vence D vence D D vence A D A C D C A D C A D C A
18 Máma Verossmlhança Estmação dos Parâmetros ln ln ln ln ln ln ln ln ln ln D A C D C A D C A D C A l e portanto a log-verossmlhança total é: Por fm, calculando-se as dervadas e gualando-as a zero: D C A l l l l
19 Estmação dos Parâmetros Máma Verossmlhança chegamos a equações do tpo: A A A C A D 0 Em geral, não há solução analítca para essas equações, mas estem métodos numércos faclmente programáves e através dos quas podemos encontrar: ˆ ˆ A 0,45 0,45 ˆ ˆ C D 0,5 0,5
20 Máma Verossmlhança Estmação dos Parâmetros Observação : a solução das equações não é únca! Para perceber sso, basta notar que, se A,, C e D são soluções estmadores de MV, então A A A A A k k k L D C C D C C CD k k k L e k A, k, k C e k D também são EMV. etc.
21 Estmação dos Parâmetros Máma Verossmlhança O que se costuma fazer é escolher k de forma que a soma dos parâmetros seja gual a : ˆ ˆ ˆ ˆ A C D 0,45 0,45 0,5 0,5 ˆ A ˆ ˆ C ˆ D, k, ˆ ˆ A 0,375 0,375 ˆ ˆ C D 0,5 0,5
22 Estmação dos Parâmetros Máma Verossmlhança Observação Posson Holgate: Eemplo Tme A 3 Tme L e 0 3 3!!! Essa epressão é geralmente mpratcável de se dervar e gualar a zero. Se consderamos a verossmlhança total para um conjunto de jogos, é anda mas nvável obter analtcamente os EMV.
23 Estmação dos Parâmetros Mínmos Quadrados Consste em tratar os parâmetros como váráves dependentes de nformações observadas varáves eplcatvas: θ L ε Esse parâmetro θ pode ser: * o de radley-terry do tme ; * o da Posson de um tme ; * uma função dos s de Posson dos dos adversáros do jogo ; * etc. k k
24 Estmação dos Parâmetros Mínmos Quadrados A forma padrão de estmação dos θ é a mnmzação dos erros quadrátcos: ε θ L k k Ε [ θ L k k ] Os estmadores de mínmos quadrados são, então, as soluções das equações erro ndvdual erro quadrátco total Ε 0 Ε 0 etc.
25 Estmação dos Parâmetros Mínmos Quadrados e, a partr das estmatvas ˆ, ˆ etc., podemos calcular ˆ θ ˆ L ˆ ˆ k k Observações: * Vantagem dos MQ sobre os EMV: podemos embutr nos qualquer fator de nteresse, nclusve relações de dependênca entre tmes adversáros. Um eemplo numérco, nclusve dsso será vsto mas à frente, no estudo de caso.
26 Estmação dos Parâmetros Mínmos Quadrados Observações: * MQP Mínmos Quadrados Ponderados: alternatva que dfere dos MQO MQ Ordnáros por permtr nclusão de pesos dade do jogo, mportânca do campeonato etc.: Ε w [ θ L k k] * A abordagem até aqu analsada é de Regressão Lnear Múltpla. Mas estem modelos baseados em abordagens mas compleas, como Regressão Logístca, GLM etc.
27 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Métodos Iteratvos: os parâmetros são dretamente atualzados, a partr dos seus valores anterores e dos resultados ou placares efetvamente observados. Eemplo hpotétco - a probabldade de o tme X marcar g gols é: P G e g g Posson g! e o valor de é atualzado por k 0, k 0, 8 valor atualzado de para o jogo k valor orgnal de para o jogo k gols marcados no jogo k g k
28 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo numérco: Suponhamos que k 3,5 e que o tme marcou gols nesse jogo g k. então, o valor do parâmetro para o prómo jogo será k 0, 3,5 0,8,3
29 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo real - Rankng Elo de Seleções onde P X vencer Y radley-terry y 0 0 θ 00 / 400 θ / 400 se a seleção X caso contráro jogar em casa y é defndo de modo análogo
30 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo real - Rankng Elo de Seleções S o resultado observado da seleção X se a seleção X vencer 0,5 se a seleção X empatar 0 se a seleção X perder S e resultado esperado da seleção X P tme X ganhar 0 P tme X perder y 0 y y y
31 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Então: ' θ θ K S S Eemplo numérco: o e Constante que depende da competção e da dferença de gols a favor de X. valor orgnal antes do jogo contra Y de θ valor atualzado após o jogo contra Y de θ Suponhamos que, ncalmente, θ 800 então, gnorando o efeto "jogar em casa": θ 0 /
32 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo numérco: Suponhamos também que y 5 então, o resultado esperado de X é S e P tme y X ganhar y 0 y 0 P tme ,8 X perder supondo agora que o tme X ganhe o jogo contra o tme Y ou seja: S o, temos:
33 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo numérco: ' θ θ K So Se 800 K 0,8 Para jogos de Copa do Mundo e gnorando a dferença de gols, K 60 e, portanto, os valores atualzados de θ e seram: ' θ ,8 8 θ / 400 e 0 07, 5
34 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Estmação ayesana: atrbução de uma dstrbução de probabldades aos parâmetros pror e atualzação dessa dstrbução em função das nformações observadas verossmlhança. Notação: θ f θ - dstrbução a pror do parâmetro θ - dstrbução verossmlhança de, condconal ao valor de θ. θ - dstrbução a posteror de θ, condconal ao valor de.
35 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Dstrbução a Posteror: θ Θ θ θ f θ f θ dθ θ "probabldade" pror de θ assumr um determnado valor. f θ "probabldade" verossmlhança de observar o valor, em função do valor de θ.
36 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Dstrbução a Posteror: θ Θ θ θ f θ f θ dθ θ "probabldade posteror de θ assumr um dado valor, atualzada pelo valor observado de. Θ θ f θ dθ constante de normalzação
37 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo: Verossmlhança: e f P X!.e. o número X de gols marcados segue uma Posson com méda Pror: β Γ e β.e. a méda segue uma dstrbução Gama com parâmetros e β
38 Estmação ayesana e Métodos Iteratvos Eemplo: Estmação dos Parâmetros Posteror: MAS: Posson e Gama são Dstrbuções Conjugadas, o que faclta a obtenção da posteror, sem necessdade de calcular a ntegral do denomnador. Γ Γ 0!! β β β β d e e e e f
39 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo: Posteror: β Γ e β.e. depos da observação do valor, a méda segue uma dstrbução atualzada Gama com parâmetros e β
40 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Como calcular PX para o prómo jogo? Estem três abordagens: * Dstrbução f com parâmetro gual à Esperança a posteror de. * Dstrbução f com parâmetro gual à Moda a posteror de. * Dstrbução Predtva: 0 DP P d o
41 Estmação ayesana e Métodos Iteratvos Eemplo: Estmação dos Parâmetros Posteror: β β Γ e o o o o * Esperança a posteror: ] [ β o o E! a e X P o o β β
42 Estmação ayesana e Métodos Iteratvos Eemplo: Estmação dos Parâmetros Posteror: * Moda a posteror: ] [ β o o Moda! a e X P o o β β β β Γ e o o o o
43 Estmação ayesana e Métodos Iteratvos Eemplo: Estmação dos Parâmetros Posteror: * Dstrbução Predtva β β Γ e o o o o Γ β β d e e DP o o o!
44 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo: Novamente, o fato de Posson e Gama serem Dstrbuções Conjugadas, faclta o trabalho e elmna a necessdade de calcular a ntegral: * Dstrbução Predtva nomal Negatva: DP o β o β
45 Estmação ayesana e Métodos Iteratvos Eemplo numérco: Estmação dos Parâmetros Verossmlhança Posson: β β Γ e e! e X P f Pror para Gama com β :
46 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo numérco: Suponhamos que o tme marcou gols, ou seja, fo observado o. então: A posteror para será uma Gama com parâmetros o 3 e β : o β β e 4 e Γ
47 Estmação dos Parâmetros Estmação ayesana e Métodos Iteratvos Eemplo numérco: Por fm: * Esperança a posteror: 3 E[ 0 ],5 P X e,5,5! * Moda a posteror: Moda[ 0 ] P X e!
48 Estmação ayesana e Métodos Iteratvos Estmação dos Parâmetros * Dstrbução Predtva nomal Negatva o o DP β β Obs: os modelos teratvos e bayesanos reas são, em geral, bem mas compleos que os eemplos aqu apresentados. Eemplo numérco:
49 Estmação dos Parâmetros Estmação Dreta Utlzação dreta de nformações descrtvas eternas e pré-estentes. Eemplo: R pontos da seleção X no Rankng da FIFA R y pontos da seleção Y no Rankng da FIFA P R X vencer Y radley-terry R Ry PROLEMA: as nformações utlzadas como parâmetros não necessaramente guardam coerênca concetual com as probabldades.
50 3 Verfcação de Qualdade * Análse Anteror Aprecação qualtatva das característcas da construção do modelo. * Análse Posteror Avalação quanttatva dos resultados predtvos obtdos pelo modelo Índces de confronto entre prevsões realzadas probabldades e resultados efetvamente observados.
51 3 Verfcação de Qualdade Análse Anteror Pergunta: o que o modelo faz, faz sentdo? Eemplo Rankng FIFA radley-terry: P X vencer Y P Y vencer X R R R R R PORÉM: o método de cálculo do Rankng FIFA não mplca que uma seleção com k vezes a pontuação de outra, tenha uma probabldade de vtóra gual a k vezes a de derrota! y R y y R R y
52 3 Verfcação de Qualdade Análse Posteror Se basea em duas meddas/atrbutos: A Medda de Confabldade Idéa básca: de uma moeda que tenha Pcara 80% e Pcoroa 0%, esperase observar, no longo prazo, 80% de caras e 0% de coroas. Nesse caso, teríamos: MC # caras # jogadas 0,8 # coroas # jogadas 0,
53 3 Verfcação de Qualdade Medda de Confabldade Em termos futebolístcos: onde: MC p # VO p # VP p # EO # EP p p # DO # DP p p p # VP # EP # DP quantdade de resultados p p p vtóras, empates e derrotas que tnham probabldade p de ocorrer # VO # EO # DO quantos desses resultados p p p efetvamente aconteceram
54 3 Verfcação de Qualdade Medda de Confabldade Observação: Probabldades são números reas. Por sso, costuma-se trabalhar com ntervalos: onde: MC I # VOI # EO # VP # EP I I I # DO # DP # VP I # EPI # DPI quantdade de resultados V, E, D cujas probabldades de ocorrênca estavam dentro do ntervalo I # VO I # EOI # DOI quantos desses resultados efetvamente aconteceram I * centro do ntervalo I I I I *
55 3 Verfcação de Qualdade Medda de Confabldade Eemplo numérco ste Chance de Gol: I I* #P #O [0 ; 0,] 0, , 0,005 [0, ; 0,] 0, ,30 0,0065 [0, ; 0,3] 0, ,355 0,0 [0,3 ; 0,4] 0, ,44 0,008 [0,4 ; 0,5] 0, , [0,5 ; 0,6] 0, ,540 0,000 [0,6 ; 0,7] 0, ,603 0,00 [0,7 ; 0,8] 0, ,676 0,0055 [0,8 ; 0,9] 0, ,77 0,0050 [0,9 ; ] 0, ,88 0,0046 # O # P I I # OI I # PI MC Soma 0,0483 *
56 3 Verfcação de Qualdade Medda de Confabldade Interpretação Gráfca ste Chance de Gol: 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, 0 0 0, 0,4 0,6 0,8 dagonal azul proporções esperadas I * lnha vermelha proporções observadas #OI/#PI
57 3 Verfcação de Qualdade Medda de Confabldade Interpretação Gráfca ste Chance de Gol: 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0, 0, 0 0 0, 0,4 0,6 0,8 MC dstânca entre as lnhas azul e vermelha conseqüentemente: melhor MC possível 0
58 3 Verfcação de Qualdade Análse Posteror Medda de DeFnett É uma medda de eatdão das prevsões. Idéa básca: confronto entre o vetor de probabldades prevsões PV, PE, PD e o vetor correspondente ao resultado de fato observado:, 0, 0 se o tme ganhou o jogo; 0,, 0 se o tme empatou o jogo; 0, 0, se o tme perdeu o jogo.
59 3 Verfcação de Qualdade Medda de DeFnett Todos os vetores PV, PE, PD possíves podem ser assocados a pontos do smple trângulo em R 3 :,0,0 vtóra. PV, PE, PD 0,,0 empate 0,0, derrota
60 3 Verfcação de Qualdade Medda de DeFnett Então, a Dstânca de DeFnett é a dstânca quadrátca entre o pontos correspondentes à prevsão realzada e ao resultado ocorrdo: DDF PV PV PV 0 0 PE PE PE 0 0 PD PD PD 0 0 se vencer; se empatar; se perder. E a Medda de DeFnett é a méda artmétca das Dstâncas de DeFnett para todos os jogos consderados.
61 3 Verfcação de Qualdade Medda de DeFnett Valores de Referênca: * Melhor DDF possível: * "Preguçoso": magne um modelo que sempre atrbua probabldades /3, /3, /3, para todos os jogos possíves. então, para esse modelo: MDF ,6667 Logo, é mas convenente, mas rápdo, mas barato etc. usar o "modelo preguçoso" do que um modelo que tenha DDF > 0,6667.
62 3 Verfcação de Qualdade Análse Posteror C "Taa de Funconamento" Quantas vezes proporconalmente o modelo produz valores nadequados. Eemplo: radley-terry "TF" proporção de vezes em que foram estmados valores postvos para. Eemplo: nomal Negatva "TF" proporção de vezes em que foram estmados valores de p entre 0 e.
63 3 Verfcação de Qualdade Análse Posteror D "Taa de Acerto" MITO! Quantas vezes proporconalmente o modelo "acertou" o vencedor dos jogos. observação : tudo o que tem probabldade 95% de acontecer, tem 5% de não acontecer. observação : se um tme tem probabldade de 5% de vtóra, então a hpótese de esse tme ganhar o jogo está contemplada e medda em 5%. PORTANTO, não é correto utlzar a "taa de acerto" como medda de qualdade.
64 3 Verfcação de Qualdade Análse Posteror D "Taa de Acerto" MITO! Eemplo: tme X tme Y Modelo I Modelo II Pvtóra de X 0,90 0,35 Pempate 0,06 0,33 Pvtóra de Y 0,04 0,3 Suponha que o tme Y tenha vencdo o jogo. Então, os dos modelos teram "TA" 0. Mas, claramente, I "errou muto mas" que II.
65 4 - Estudo de Caso: Chance de Gol Dstrbuções de Posson unvaradas,.e., para um jogo entre os tmes e j: Representação Paramétrca:! g e g G P g! g e g G P g j j j G número de gols marcados pelo tme G j número de gols marcados pelo tme j
66 4 Estudo de Caso: Chance de Gol Estmação dos Parâmetros Funções a serem estmadas: D j E[ G G ] j j S j quanto o tme é "melhor que o j E[ G G ] j j "poder ofensvo conjunto dos dos tmes A partr dessas funções D j e S j, pode-se obter os de cada tme: S D j j j S D j j
67 Estmação dos Parâmetros Equações de estmação regressão: 4 Estudo de Caso: Chance de Gol k Nk N k k k k Nk N k k k Y Y Y D X X X S ε β β β ε K K S k soma de gols no k-ésmo jogo X k se o tme partcpou do k-ésmo jogo; 0 se não partcpou,,..., N são hperparâmetros a serem estmados
68 Estmação dos Parâmetros Equações de estmação regressão: 4 Estudo de Caso: Chance de Gol k Nk N k k k k Nk N k k k Y Y Y D X X X S ε β β β ε K K D k dferença de gols no k-ésmo jogo Y k se o tme fo "mandante" β, β,..., β N são hperparâmetros a serem estmados - se fo "vstante" 0 se não partcpou do k-ésmo jogo
69 Estmação dos Parâmetros Aplcando a essas equações técncas de análse de regressão múltpla, obtemos os estmadores de mínmos quadrados 4 Estudo de Caso: Chance de Gol N β N β β ˆ,, ˆ, ˆ ˆ,, ˆ, ˆ K K e que são aqueles que mnmzam os erros quadrátcos ] [ Nk N k k k k X X X S ε K ] [ Nk N k k k k Y Y Y D β β β ε K
70 Estmação dos Parâmetros Então, a partr de 4 Estudo de Caso: Chance de Gol N β N β β ˆ,, ˆ, ˆ ˆ,, ˆ, ˆ K K e Suponhamos agora que o prómo jogo o k-ésmo seja entre os tmes e j. j k N N k k k j k N N k k k Y Y Y D X X X S β β β β β ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ,,,,,, K K podemos calcular e, conseqüentemente: ˆ ˆ ˆ k k D S ˆ ˆ ˆ k k j D S e
71 4 Estudo de Caso: Chance de Gol Eemplo Numérco Campeonato hpotétco: Jogo - Tme A 3 Tme Jogo - Tme C 5 Tme D Jogo 3 - Tme A 40 Tme C Jogo 4 - Tme Tme D Jogo 5 - Tme A 0 Tme D Queremos calcular as probabldades para o Jogo 6 - Tme Tme C
72 Eemplo Numérco Campeonato hpotétco: 4 Estudo de Caso: Chance de Gol Jogo - Tme A 3 Tme Jogo - Tme C 5 Tme D Jogo 3 - Tme A 40 Tme C Jogo 4 - Tme Tme D Jogo 5 - Tme A 0 Tme D Então, temos, para a prmera equação de regressão: X S
73 4 Estudo de Caso: Chance de Gol Eemplo Numérco Campeonato hpotétco: Jogo - Tme A 3 Tme Jogo - Tme C 5 Tme D Jogo 3 - Tme A 40 Tme C Jogo 4 - Tme Tme D Jogo 5 - Tme A 0 Tme D que é "equvalente" a "soluconar" o sstema de equações Tme A Tme C Tme A Tme Tme A Tme Tme D Tme C Tme D Tme D 5 6 4
74 4 Estudo de Caso: Chance de Gol Jogo - Tme A 3 Tme Jogo - Tme C 5 Tme D Jogo 3 - Tme A 40 Tme C Jogo 4 - Tme Tme D Jogo 5 - Tme A 0 Tme D Analogamente, para a segunda equação de regressão: D Y Eemplo Numérco Campeonato hpotétco:
75 4 Estudo de Caso: Chance de Gol Eemplo Numérco Campeonato hpotétco: Jogo - Tme A 3 Tme Jogo - Tme C 5 Tme D Jogo 3 - Tme A 40 Tme C Jogo 4 - Tme Tme D Jogo 5 - Tme A 0 Tme D que é "equvalente" a "soluconar" o sstema de equações β β β β β Tme A Tme C Tme A Tme Tme A β β β β β Tme Tme D Tme C Tme D Tme D 4 4 0
76 4 Estudo de Caso: Chance de Gol Eemplo Numérco Calculando-se os estmadores de mínmos quadrados, encontramos: ˆ ˆ ˆ ˆ Tme A Tme Tme C Tme D,5,5 4 0,75 de onde obtemos: ˆ β ˆ β ˆ β ˆ β Tme A Tme Tme C Tme D 0,5 0 0,5 0,875 Eˆ [ G G ],5 0,5 4 0,75 0 C 6,5 Eˆ [ G G ] 0, ,5 0,875 0 C 0,5
77 4 Estudo de Caso: Chance de Gol Eemplo Numérco Por fm: ˆ Eˆ[ G GC ] Eˆ[ G GC ] 6,5 0,5 ˆ Eˆ[ G GC ] Eˆ[ G GC ] 6,5 0,5 C 3,5 3 e, conseqüentemente: P G b e 3,5 3,5 b! b P G C c e 3 3 c! c
78 Cálculo de PV, PE e PD 4 Estudo de Caso: Chance de Gol Como calcular PV, PE e PD? b C C b G P b G P G G P P empate > > c b C c c G P b G P G G P P de vtóra < < c b C c c G P b G P G G P C P de vtóra PORÉM, não este fórmula fechada para as duas prmera somas.
79 Cálculo de PV, PE e PD 4 Estudo de Caso: Chance de Gol * Dstrbução de Skellam: C d d C C C I e d G G P / 0 empate C G G P P então: > > 0 0 de vtóra d C c d G G P G G P P < < 0 0 de vtóra d C c d G G P G G P C P
80 Cálculo de PV, PE e PD 4 Estudo de Caso: Chance de Gol Então, a probabldade de empate pode ser calculada de forma eata: C C I e P ˆ ˆ empate 0 ˆ ˆ N d C d d C C I e P / ˆ ˆ ˆ ˆ ˆ ˆ de vtóra e as probabldades de vtóra de cada tme podem ser apromadas pelas somas: / ˆ ˆ ˆ ˆ ˆ ˆ de vtóra N d C d d C C I e C P
81 4 Estudo de Caso: Chance de Gol Cálculo de PV, PE e PD * Retângulo Truncado: então, podem ser fetas as apromações: Pempate soma da dagonal Pvtóra de soma do trângulo superor Pvtóra de C soma do trângulo nferor
82 4 Estudo de Caso: Chance de Gol Eemplo Numérco ˆ 3,5 ˆ 3 Então, lembrando que e C e fazendo as somas pela dstrbução de Skellam truncada entre -0 e 0, chegamos às probabldades Pvtóra de 0,498 Pempate 0,57 Pvtóra de C 0,345
83 4 Estudo de Caso: Chance de Gol Eemplo Numérco Após a realzação do jogo, o mpacto dessas probabldades na Medda de Confabldade será: * Soma de ao denomnador da parcela referente ao ntervalo [0,4 ; 0,5]; * Soma de ao numerador se o tme vencer o jogo e de 0 em caso contráro. * Soma de ao denomnador da parcela referente ao ntervalo [0, ; 0,]; * Soma de ao numerador se o tme empatar o jogo e de 0 em caso contráro.
84 4 Estudo de Caso: Chance de Gol Eemplo Numérco Após a realzação do jogo, o mpacto dessas probabldades na Medda de Confabldade será: * Soma de ao denomnador da parcela referente ao ntervalo [0,3 ; 0,4]; * Soma de ao numerador se o tme perder o jogo e de 0 em caso contráro.
85 4 Estudo de Caso: Chance de Gol Eemplo Numérco Após a realzação do jogo, o mpacto dessas probabldades na Medda de DeFnett será: DDF 0,498 * se o tme vencer o jogo; 0,57 0 0, ,396 DDF 0,498 0 * se o tme empatar o jogo; 0,57 0,345 0,078 DDF 0, ,57 * se o tme perder o jogo. 0 0,345 0,70
86 5 Comentáros Fnas Modelos sufcentemente "bons" no sentdo da análse anteror podem proporconar a formação de rankngs. Rankngs Paramétrcos Eemplo: radley-terry j j P j P j j j j é melhor que derrotar derrotar > > >
87 Rankngs Paramétrcos Eemplo: Chance de Gol 5 Comentáros Fnas j G G P G G P G E G E G G E j j j j j é melhor que ] [ ] [ 0 ] [ < > > > > > β β Portanto, os tmes podem ser tecncamente ranqueados em função dos seus parâmetros radley-terry ou β Chance de Gol.
88 5 Comentáros Fnas Resultados Placares Eemplo play-off de cnco jogos: Tme M 0 Tme N Tme M 0 Tme N Tme M 0 Tme N Tme M 0 Tme N Tme N 70 Tme M Modelos baseados em resultados: 4 vtóras do Tme M contra do Tme N portanto, o Tme M é "melhor".
89 5 Comentáros Fnas Resultados Placares Eemplo play-off de cnco jogos: Tme M 0 Tme N Tme M 0 Tme N Tme M 0 Tme N Tme M 0 Tme N Tme N 70 Tme M Modelos baseados em placares: "placar agregado" de 74 para o Tme N portanto, o Tme N é "melhor".
90 5 Comentáros Fnas Áreas para Estudos Futuros * Modelos "ntermedáros" que conclem "placar" e "resultado"; * Modelos que levem em consderação os jogadores desfalques, reforços etc.; * Modelos de comparação hstórca Hungra de 954 rasl de 970, Santos de Pelé arcelona de Mess etc.
91 Seção COMO TUDO FUNCIONA
X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisAjuste dos Mínimos Quadrados
TLF 00/ Cap. IX juste dos mínmos quadrados Capítulo IX juste dos Mínmos Quadrados 9.. juste de uma lnha recta a dados epermentas 9 9.. Determnação dos parâmetros da recta, e B (Incertezas apenas em e guas
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisMECÂNICA CLÁSSICA. AULA N o 7. Teorema de Liouville Fluxo no Espaço de Fases Sistemas Caóticos Lagrangeano com Potencial Vetor
1 MECÂNICA CLÁSSICA AULA N o 7 Teorema de Louvlle Fluo no Espaço de Fases Sstemas Caótcos Lagrangeano com Potencal Vetor Voltando mas uma ve ao assunto das les admssíves na Físca, acrescentamos que, nos
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisR X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisTermo-Estatística Licenciatura: 4ª Aula (08/03/2013)
Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisNotas de Aula de Probabilidade A
VII- VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. 7. CONCEITO DE VARIÁVEIS ALEATÓRIAS: Informalmente, uma varável aleatóra é um característco numérco do resultado de um epermento aleatóro. Defnção: Uma varável
Leia maisEstatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
Leia maisAjuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisAnálise Numérica (4) Equações não lineares V1.0, Victor Lobo, 2004
Análse Numérca (4 V.0, Vctor Lobo, 004 Não Lneares Problema da determnação de zeros de funções f(=0 Aparece em mutas stuações! Determnar pontos de equlíbro térmco, químco, de forças... Soluções analítcas
Leia maisD- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS
D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais