MODELOS ESPAÇO-TEMPORAIS MULTI-ESCALA

Tamanho: px
Começar a partir da página:

Download "MODELOS ESPAÇO-TEMPORAIS MULTI-ESCALA"

Transcrição

1 MODELOS ESPAÇO-TEMPORAIS MULTI-ESCALA Adelmo Inácio Bertolde Tese de Doutorado submetida ao programa de Pós-Graduação em Estatística do Instituto de Matemática da Universidade Federal do Rio de Janeiro - UFRJ, como requisito necessário à obtenção do título de Doutor em Estatística. Orientador: Marco Antonio Rosa Ferreira Rio de Janeiro Dezembro, 2007

2 MODELOS ESPAÇO-TEMPORAIS MULTI-ESCALA Aluno: Adelmo Inácio Bertolde Orientador: Marco Antonio Rosa Ferreira Tese de Doutorado submetida à banca examinadora do programa de Pós-graduação em Estatística do Instituto de Matemática da Universidade Federal do Rio de Janeiro, como requisito necessário à obtenção do título de Doutor em Estatística. Aprovada por: Prof. Marco Antonio Rosa Ferreira Prof. Dani Gamerman Prof. Helio dos Santos Migon Prof. Glaura da Conceição Franco Prof. Ricardo Sandes Ehlers Rio de Janeiro Dezembro, 2007 ii

3 Resumo Este texto apresenta uma proposta de modelagem espaço-temporal multi-escala para dados de área. Tal modelo pode ser útil em diversas aplicações tais como em análise ambiental, economia, agricultura e etc.. Fazemos uso da metodologia multi-escala desenvolvida por Kolaczyk e Huang (2001) e decompomos o processo espacial a cada tempo. Modelamos os coeficientes multi-escala ao longo do tempo através de modelos dinâmicos. São realizadas duas aplicações do modelo a dados sócio-econômicos do estado do Espírito Santo, Brasil. Os resultados indicam que o modelo capta bem os movimentos espaço-temporais das séries estudadas. Palavras chaves: Modelos multi-escala; Inferência Bayesiana; Modelagem espaçotemporal; Dados de área; Resoluções múltiplas. Abstract This text presents a multiscale modeling approach for space-time for areal data. Such model may be useful in diverse applications such as in environments, economic, agriculture and others. An uses of the methodology becomes multiscale developed for Kolaczyk and Huang (2001) and we decompose the space process at each time. We modeled the multiscale coefficients along the time through dinamic models. The model was applied two socio-economic the data of the state of the Espirito Santo, Brazil. The results indicate that the model captures well the space-time movements of the studied series. Keywords: Multiscale models; Bayesian Inference; Space-time modeling; areal data; Multiple resolutions. iii

4 Agradecimentos Inicialmente agradeço à Deus pela oportunidade de crescimento pessoal e profissional, tendo como cenário a linda cidade do Rio de Janeiro, obra prima da natureza. Várias pessoas colaboraram na realização desse trabalho. Agradeço especialmente ao meu orientador Marco Antonio, que me estimulou, me corrigiu e me proporcionou toda a estrutura para que eu pudesse realizar as tarefas de forma organizada, não apenas como o grande profissional que é, mas também como um grande amigo. À minha esposa Tereza Cristina pelo apoio constante, companheirismo e também pelo seu incentivo nos meus momentos de desânimo. A todos os meus amigos e colegas de curso, particularmente Valmária, Marcelo, Laninha, Juan e Esther. Foram muitas horas de estudo, de sacrifício mas também de muita diversão, aprendizado de vida e trocas de experiências. Agradeço aos professores da pós-graduação do DME pela dedicação e interesse no aprendizado dos alunos. Ao Departamento de Estatística da UFES, à Faperj, à CAPES e ao DME pelo suporte financeiro e oportunidade de aperfeiçoamento acadêmico. Finalmente, gostaria de dedicar esse trabalho aos meus pais Gabriel e Gicelda, que mesmo sendo pouco alfabetizados sempre me incentivaram nos estudos. Os difíceis, porém, saudosos anos em que lavrei a terra com minha família estão firmemente marcados na minha memória, e me dão a certeza de que é possível a realização dos nossos sonhos, por mais inalcançáveis que possam parecer. Encerro com uma mensagem que resume um pouco da experiência vivida nos últimos anos: iv

5 Há muito tempo que eu saí de casa. Há muito tempo que eu caí na estrada. Há muito tempo que eu estou na vida. Foi assim que eu quis, e assim eu sou feliz. Principalmente por poder voltar a todos os lugares onde já cheguei. Pois lá deixei um prato de comida, um abraço amigo, um canto prá dormir e sonhar. E aprendi que se depende sempre de tanta muita diferente gente. Toda pessoa sempre é as marcas das lições diárias de outras tantas pessoas. E é tão bonito quando a gente entende que a gente é tanta gente onde quer que a gente vá. E é tão bonito quando a gente sente que nunca está sozinho por mais que a gente pense estar. E é tão bonito quando a gente pisa firme nessas linhas que estão nas palmas de nossas mãos. E é tão bonito quando a gente vai a vida nos caminhos onde bate mais forte o coração. Caminhos do Coração (Gonzaguinha) v

6 Sumário Lista de Tabelas Lista de Figuras ix x 1 Introdução 1 2 Modelagem Multi-escala Introdução Estrutura Espacial Verossimilhança Fatorizada Distribuições a Priori Estimação Estimação do Elemento Excluído Aplicações Aplicação a Dados Simulados Aplicação ao PIB do Espírito Santo Modelos Lineares Dinâmicos Introdução Modelo Linear Dinâmico O Filtro de Kalman Princípios de Inferência Bayesiana vi

7 3.5 Simulação de Monte Carlo Via Cadeias de Markov Diagnósticos de Convergência Estimação com Variâncias Desconhecidas Distribuições a Priori Distribuições a Posteriori Simulação de µ 1:T Via FFBS Simulação de V e W Modelagem Espaço-Temporal Multi-Escala Introdução e Notação Modelo Geral Um Exemplo Didático Modelagem Espaço-Temporal Multi-Escala Com Variâncias Observacionais Constantes Densidade Conjunta do Modelo Distribuições a Priori Simulação e Estimação de µ 0,k,t Distribuições a Posteriori Simulação e Estimação de θ j,k,t Distribuições a Posteriori Estimação de µ J 1,t Simulação de Um Processo Multi-Escala Casos Particulares Variâncias Conhecidas Variância de Sistema Desconhecida Aplicação aos Dados de PIB per capita vii

8 6 Modelagem Espaço-Temporal Multi-Escala com Variâncias Observacionais Distintas Construção do Modelo Densidade Conjunta do Modelo Distribuições a Priori Simulação e Estimação de µ 0,k,t Distribuições a Posteriori Simulação e Estimação de θ j,k,t Distribuições a Posteriori Simulação e Estimação de σ Aplicação aos Dados de Produção Agrícola Conclusões Meta Referências Bibliográficas 90 A Algumas Propriedades da Distribuição Normal Multivariada 93 B Descrição Multi-Escala Para o Caso Normal 95 C Banco de Dados 98 C.1 Dados Sócio-Econômicos C.2 Estrutura de Partição viii

9 Lista de Tabelas 5.1 Estatísticas a posteriori para ψ 1,k Estatísticas a posteriori para ψ k Estatísticas a posteriori para ψ 0,k Estatísticas a posteriori para ψ 1,k Estatísticas a posteriori para ψ k Estatísticas a posteriori para ψ 0,k Estatísticas a posteriori para ψ 1,k ix

10 Lista de Figuras 1.1 Divisão político administrativa do estado do Espírito Santo por municípios (a), micro-regiões (b) e macro-regiões (c) (ano base 1979) Processo multi-escala representado do nível j = 0 mais agregado (a) até o nível j = 2 mais desagregado (c), considerando 4 descendentes para cada ancestral Função (2x+10). Nível médio (linha), simulações (círculos) e estimativas (linha pontilhada) Função Seno(x). Nível médio (linha), simulações (círculos) e estimativas (linha pontilhada) Função x 2. Nível médio (linha), simulações (círculos) e estimativas (linha pontilhada) Log do PIB per capita do E.S Log do PIB per capita do E.S Log do PIB per capita do E.S Log do PIB per capita do E.S Log do PIB per capita do E.S Log do PIB per capita do E.S Log do PIB per capita do E.S Log do PIB per capita do E.S Log do PIB per capita do E.S x

11 5.1 Resultados comparativos de y 2,.,t (círculos), verdadeiro valor de µ 2,.,t (vermelho), ˆµ 2,.,t (preto) e estimativa suavizada a j,k,t ( r) (azul). Tempos t = 1, 4, 8, 12, respectivamente Resultados comparativos de y 2,.,t (círculos), verdadeiro valor de µ 2,.,t (vermelho), ˆµ 2,.,t (preto) e estimativa suavizada a j,k,t ( r) (azul). Tempos t = 15, 18, 22, 25, respectivamente Valores de y 2,k,t observados (a), µ 2,k,t verdadeiros (b) e suavizados (c) por a j,k,t ( r). Tempo t = Valores de y 2,k,t observados (a), µ 2,k,t verdadeiros (b) e suavizados (c) por a j,k,t ( r). Tempo t = Valores de y 2,k,t observados (a), µ 2,k,t verdadeiros (b) e suavizados (c) por a j,k,t ( r). Tempo t = Valores de y 2,k,t observados (a), µ 2,k,t verdadeiros (b) e suavizados (c) por a j,k,t ( r). Tempo t = Valores de y 2,k,t observados (a), µ 2,k,t verdadeiros (b) e suavizados (c) por a j,k,t ( r). Tempo t = Resultados comparativos de y 2,k,. (círculos), verdadeiro valor de µ 2,k,. (vermelho) e média a posteriori para µ 2,k,. (preto) para 6 áreas fictícias, ao longo do tempo. Linhas tracejadas inferior e posterior indicam os percentis 2.5 e 97.5 de ˆµ 2,k,., respectivamente Análise Exploratória por períodos do PIB per capita municipal do E.S. Fonte: IBGE/IPEA Análise Exploratória por períodos do Log(PIB per capita) municipal do E.S. Fonte: IBGE/IPEA Trajetória (a) e histograma (b) para valores de σ 2 gerados a posteriori. Estatística de diagnóstico de Gelman e Rubin igual a 1.02 e de Geweke iguais a e 0.41, respectivamente xi

12 5.12 Respectivamente, trajetória e histograma para µ 2,k,1 a posteriori nos municípios de Guarapari (a e a ), Conceição da Barra (b e b ), Colatina (c e c ) e Castelo (d e d ). Estatísticas de diagnóstico de Gelman iguais a 1, 1.01, 1.01 e 1.01, respectivamente Resultados comparativos de y 0,k,. (círculos) e média a posteriori de µ 0,k,. (preto) por macro-região. Linhas tracejadas inferior e posterior indicam os percentis 2.5 e 97.5 de ˆµ 0,k,., respectivamente Resultados comparativos de y 2,k,. (círculos) e média a posteriori de µ 2,k,. (preto) para alguns municípios da região metropolitana de Vitória. Linhas tracejadas inferior e posterior indicam os percentis 2.5 e 97.5 de ˆµ 2,k,., respectivamente Resultados comparativos de y 1,k,. (círculos) e média a posteriori de µ 1,k,. (preto) para as micro-regiões 4 e 5. Linhas tracejadas inferior e posterior indicam os percentis 2.5 e 97.5 de ˆµ 1,k,., respectivamente Log(PIB per capita) do E.S Log(PIB per capita) do E.S Log(PIB per capita) do E.S Log(PIB per capita) do E.S Log(PIB per capita) do E.S Log(PIB per capita) do E.S Log(PIB per capita) do E.S Log(PIB per capita) do E.S Log(PIB per capita) do E.S Análise Exploratória do logarítmo do valor municipal da produção agrícola para o estado do E.S. Fonte: IBGE/IPEA Trajetória (a) e histograma (b) para valores de σ 2 gerados a posteriori. Estatística de diagnóstico de Gelman e Rubin igual a 1.02 e de Geweke iguais a 1.98 e 0.42, respectivamente xii

13 6.3 Resultados comparativos de y 0,k,. (círculos) e média a posteriori de µ 0,k,. (preto) por macro-região. Linhas tracejadas inferior e posterior indicam os percentis 2.5 e 97.5 de ˆµ 0,k,., respectivamente Resultados comparativos de y 2,k,. (círculos) e média a posteriori de µ 2,k,. (preto) por município. Linhas tracejadas inferior e posterior indicam os percentis 2.5 e 97.5 de ˆµ 2,k,., respectivamente Respectivamente, trajetória e histograma para µ 2,k,2 a posteriori nos municípios de Cariacica (a e a ), Guarapari (b e b ), Santa Leopoldina (c e c ) e Nova Venécia (d e d ). Estatísticas de diagnóstico de Gelman iguais a 1.05, 1, 1.01 e 1.09, respectivamente Valor de produção agrícola do E.S. (em milhares de reais) Valor de produção agrícola do E.S. (em milhares de reais) Valor de produção agrícola do E.S. (em milhares de reais) Valor de produção agrícola do E.S. (em milhares de reais) Valor de produção agrícola do E.S. (em milhares de reais) Valor de produção agrícola do E.S. (em milhares de reais) Valor de produção agrícola do E.S. (em milhares de reais) Valor de produção agrícola do E.S. (em milhares de reais) xiii

14 Capítulo 1 Introdução As variações aleatórias presentes nos fenômenos naturais são objeto de estudo do homem há muitos séculos e objetivando contribuir para a explicação dos mesmos foram criados os modelos estatísticos. O interesse no comportamento desses fenômenos ao longo do espaço e do tempo motivou o surgimento de uma metodologia voltada para os estudos dos processos espaço-temporais. Os modelos estatísticos desenvolvidos para dados espaço-temporais apresentaram um grande avanço nos últimos 15 anos, com trabalhos que vão desde aplicações em ciências ambientais, análise de dados econômicos e mapeamento de doenças até a taxas de violência, entre outros. Os fatores que mais têm impulsionado tal avanço são a quantidade cada vez maior de dados disponíveis e o progresso significativo dos métodos de simulação bayesianos, este advindo do progresso computacional. Este trabalho tem por objetivo apresentar uma proposta de modelagem espaçotemporal multi-escala para dados de área. Utilizamos a metodologia multi-escala desenvolvida por Kolaczyk e Huang (2001) e decompomos o processo espacial a cada tempo. Modelamos os coeficientes multi-escala ao longo do tempo através de modelos dinâmicos. Com base na estrutura hierárquica das observações, o modelo

15 multi-escala induz dependência espacial ao definir os grupos de vizinhos, tendo como consequência uma simplificação no trato das matrizes de covariância envolvidas. Realizamos três aplicações da modelagem proposta: a primeira a um processo espaço-temporal multi-escala simulado e as outras duas fazendo uso de dados sócioeconômicos relativos ao estado do Espírito Santo, Brasil. Como motivação inicial, temos, como objeto de estudo, o mapa do estado do Espírito Santo dividido em 3 níveis de partições respectivas: municípios, micro-regiões e macro-regiões. (a) (b) (c) Figura 1.1: Divisão político administrativa do estado do Espírito Santo por municípios (a), micro-regiões (b) e macro-regiões (c) (ano base 1979). O capítulo 2 descreve a metodologia multi-escala proposta por Kolaczyk e Huang (2001) e relata alguns trabalhos correlacionados desenvolvidos. São apresentados os conceitos básicos sobre partição hierárquica e a definição de verossimilhança em um processo multi-escala. No capítulo 3 apresentamos um resumo de um modelo dinâmico linear, onde descrevemos as equações do filtro de Kalman, juntamente com os conceitos de Inferência Bayesiana, de técnicas de simulação estocástica e de convergência utilizados. Os capítulos 4 e 5 tratam da proposta do Modelo Multi-Escala Espaço-Temporal 2

16 objeto desse trabalho, onde supomos variâncias proporcionais e iguais para cada elemento do nível mais desagregado. Realizamos uma aplicação do modelo a um processo multi-escala simulado e a dados de PIB per capita. Fazemos uma extensão do modelo no capítulo 6, onde supomos variâncias envolvidas distintas. Ao final apresentamos uma aplicação a dados de valor de produção agrícola do estado do Espírito Santo. Finalmente, no capítulo 7 relatamos as conclusões e metas desse trabalho. Ao final estão as referências bibliográficas e anexos utilizados no trabalho de pesquisa de tese. 3

17 Capítulo 2 Modelagem Multi-escala 2.1 Introdução Este capítulo traz um breve resumo da metodologia multi-escala desenvolvida por Kolaczyk e Huang (2001), que faz uso da inferência para analisar processos observados em mais de um nível de escala. Ressalta-se a importância de tal método, visto que a maioria dos estudos envolvendo mensurações em múltiplas escalas se presta somente à análise descritiva (Kolaczyk e Huang, 2001). Em particular, o trabalho de Kolaczyk e Huang (2001) é importante para o entendimento do conteúdo deste texto pois utilizamos sua decomposição multi-escala na construção de nossos modelos espaço-temporais multi-escala. A hipótese estrutural é a de existência de uma partição definida hierarquicamente, correspondendo a sucessivas agregações no domínio dos dados. A interrelação entre os níveis de resolução permite eficiente suavização espacial do fenômeno em estudo (Kolaczyk e Huang, 2001). Neste capítulo, ilustramos esta metodologia com uso de dados simulados e com dados de PIB per capita por município do estado do Espírito Santo, Brasil. Mais detalhes a respeito da estrutura multi-escala do estado do Espírito Santo são encontrados no anexo C. 4

18 2.2 Estrutura Espacial A modelagem multi-escala assume inicialmente um particionamento hierárquico de uma região S, onde S tipicamente é tratada como um sub-espaço bidimensional. Considere um conjunto de medidas em um domínio S onde se está interessado em conhecer a média [µ(s) : s S] do processo. Matematicamente, expressa-se essa idéia através da hipótese da existência de uma partição (B 1,..., B n ) de S, onde B k S tal que (B k B k ) =, para k k, sendo k B k = S e k = 1,..., n. Para cada elemento B k desta partição, assume-se a existência de uma medida y k, relacionada à média do processo µ(s) através do valor esperado E[y k ] = µ k, onde µ k µ(b k ) B k µ(s)ds. Assume-se também que os y k s são condicionalmente independentes dado os µ k s respectivos. Formalmente, tal estrutura hierárquica multi-escala caracteriza-se em termos de um conjunto B composto por J partições de S, para algum inteiro J > 1. Para reforçar o entendimento, vejamos a figura 2.1, que apresenta um processo multiescala fictício para J = 3 níveis de agregações e 4 descendentes para cada ancestral: (a) (b) (c) Figura 2.1: Processo multi-escala representado do nível j = 0 mais agregado (a) até o nível j = 2 mais desagregado (c), considerando 4 descendentes para cada ancestral. Denota-se os elementos da partição no nível j de resolução por B j,1,..., B j,nj. 5

19 Para cada um dos níveis de escala j, j = 0, 1,..., J 1, a coleção {B j,k } n j k=1 é definida satisfazendo a duas condições: i) formar uma partição própria de S e, ii) que cada elemento B j,k seja expresso como uma união única dos elementos da partição na escala (j + 1). Isto significa que B j,k = (j+1,k ) D j,k B j+1,k, onde D j,k refere-se à coleção de índices espaciais dos descendentes de B j,k, para j = 0,..., J 2. Por exemplo, a partir da figura 2.1, podemos verificar que o conjunto dos índices espaciais de B 0,1 é dado por D 0,1 = {(1, 1), (1, 2), (1, 3), (1, 4)} e o conjunto dos índices espaciais de B 1,3 é dado por D 1,3 = {(2, 9), (2, 10), (2, 13), (2, 14)}. Ressalta-se que ao se determinar quais são os descendentes de cada respectivo ancestral, fica estabelecida a relação de vizinhança entre as áreas em cada nível de partição. Suponha definida a partição hierárquica {B j,k } n j k=1 e considere um elemento B j,k desta partição. Kolaczyk e Huang (2001) consideram agregação por somas, ou seja, a variável y j,k é definida como y j,k = (j+1,k ) D j,k y j+1,k. (2.1) Consequentemente, o valor esperado µ j,k da variável y j,k satisfaz µ j,k = (j+1,k ) D j,k µ j+1,k. (2.2) A partir da expressão (2.1) conclui-se que as medidas {y j,k } n j k=1 do nível j estão numa escala mais agregada do que {y j+1,k } n j+1 k =1. Há, portanto, uma perda de informação 6

20 ao se utilizar as medidas num nível j mais agregado. Segundo Kolaczyk e Huang (2001), tal perda poderá variar espacialmente, dependendo do grau de homogeneidade da média do processo µ(s) no domínio S. Logo, torna-se relevante considerar o efeito de mudança dos níveis de escala dos dados no processo de modelagem. Com este objetivo, Kolaczyk e Huang (2001) propuseram a construção da chamada verossimilhança fatorizada, apresentada na seção seguinte. 2.3 Verossimilhança Fatorizada Note que a distribuição de probabilidade dos descendentes de B j,k, dado µ e y j,k, é degenerada. Uma forma de resolver esta degeneração é considerar os descendentes, menos um deles; o descendente é excluído de forma arbitrária e não altera a análise. Assim sendo, consideremos a seguinte definição: D j,k é a coleção de índices espaciais dos descendentes de B j,k excluindo um deles, sendo j = 0,..., J 2. Logo, y D j,k é o vetor de medidas dos descendentes do elemento B j,k excluindo um deles, com definição análoga para µ D j,k. Daí que, explorando a independência condicional dos y j,k, tem-se que: n J 1 k=1 f(y J 1,k µ) = n J 2 k=1 f(y J 2,k µ) n J 2 k=1 f(y D J 2,k y J 2,k, µ). (2.3) O lado esquerdo de (2.3) é a verossimilhança das observações no nível de escala J 1, enquanto que o primeiro termo do lado direito é a verossimilhança no nível de escala J 2. Logo, o segundo termo do lado direito contém a perda de informação devida a agregração realizada da escala J 1 para J 2. Kolaczyk e Huang (2001) definem, portanto, a expressão para a verossimilhança fatorizada como: assumindo que o vetor (y J 1,1,..., y J 1,nJ 1 ) e a estruturação de partições hierárquicas estejam 7

21 definidos, a verossimilhança fatorizada pode ser descrita por: n J 1 k=1 n 0 f(y J 1,k µ) = f(y 0,k µ) k=1 Recorde que, dado um vetor y j J 2 n j f(y D j,k y j,k, µ). (2.4) j=0 k=1 = ( y j,1,..., y j,nj ) com elementos independentes e normalmente distribuídos, pode-se expressá-lo por y j µ j, Σ j N(µ j, Σ j ), onde µ j = (µ j,1,..., µ j,nj ) e Σ j = diag(σ 2 j), sendo σ 2 j = (σ 2 j,1,..., σ 2 j,n j ). No caso do vetor y J 1 = ( y J 1,1,..., y J 1,nJ 1 ) ser modelado por um processo N(µJ 1, Σ J 1 ), a fatorização (2.4) toma a seguinte forma: onde: J 2 f(y J 1 µ J 1, Σ J 1 ) = f(y 0 µ 0, Σ 0 ) f(y D j,k y j,k, θ j,k, Ω j,k ), i)y 0 µ 0, Σ 0 tem distribuição N(µ 0, Σ 0 ). n j j=0 k=1 ii)y D j,k y j,k, θ j,k, Ω j,k N (ν j,k y j,k + θ j,k, Ω j,k ), sendo ν j,k = σ2 D j,k, σj,k 2 θ j,k = µ D j,k ν j,k µ j,k e Ω j,k = Σ D j,k ( ) σ2 D σ j,k 2 D j,k σj,k 2, considerando que: σ 2 D j,k é o vetor de variâncias dos descendentes de B j,k excluindo um deles; Σ D j,k é uma matriz diagonal formada pelos elementos de σ 2 D j,k e n D j,k é o número de descendentes de B j,k menos um. 8

22 2.4 Distribuições a Priori A fatorização (2.4) reparametriza o modelo normal inicialmente parametrizado pelo vetor de médias µ J 1 em termos do vetor (µ 0, θ 0,..., θ J 2 ). Esta é uma decomposição multi-escala da média do processo análoga à decomposição em ondaletas, onde θ j,k tem uma estrutura similar. Mais especificamente, θ j,k explica como a medida para cada nó é dividida entre os respectivos descendentes. Tal como na análise por ondaletas, Kolaczyk e Huang (2001) atribuem uma priori independente para cada elemento de (µ 0, θ 0,..., θ J 2 ). Uma escolha natural para a média do nível mais agregado é assumir uma priori conjugada µ 0 N(mµ 0, Φ 0 ), sendo para Φ 0 uma distribuição pouco informativa. Para os θ j,k s existem algumas possíveis especificações que implicam em diferentes níveis de homogeneidade para o processo latente µ(s). Numa primeira especificação, Kolaczyk e Huang (2001) assumem uma priori conjugada θ j,k Φ j,k N(0, Φ j,k ), (2.5) onde Φ j,k, j = 0,..., J 1, k = 1,..., n j são matrizes de covariâncias conhecidas. O uso dessa priori permite um rápido cálculo das estatísticas a posteriori para as médias e variâncias. Kolaczyk e Huang (2001) também consideram uma priori baseada numa distribuição mista, isto é, θ j,k η j,k, Φ 0 j,k, Φ 1 j,k (1 η j,k )N(0, Φ 0 j,k) + η j,k N(0, Φ 1 j,k), (2.6) onde η j,k Bernouli(p j,k ), e Φ 0 j,k e Φ 1 j,k são matrizes de covariâncias conhecidas tal que Φ 0 j,k implica em uma distribuição bastante concentrada em torno da média 0, enquanto que Φ 1 j,k impôe uma distribuição bastante dispersa. Esta especificação considera, imparcialmente, processos latentes µ(s) não homogêneos. 9

23 2.5 Estimação A estimação do processo latente para o nível mais desagregado µ J 1 é executada assumindo uma função de perda quadrática. Em consequência, o estimador Bayesiano é a média a posteriori de µ J 1. Um importante resultado oriundo da construção realizada por Kolaczyk e Huang (2001) é que a distribuição a posteriori da média do processo para o nível mais desagregado µ J 1 é fatorizada em termos de uma nova reparametrização, expressa por: n j J 2 f(µ J 1 y J 1 ) = f(µ 0 y 0 ) f(θ j,k y D j,k, y j,k ). (2.7) j=0 k=1 Em consequência de (2.7), a média a posteriori para µ J 1 pode ser recursivamente calculada usando a expressão ˆµ D j,k = ˆθ j,k + ν j,k ˆµ j,k, onde ˆθ j,k = E[θ j,k y D j,k, y j,k ]. O procedimento recursivo se inicia com o cálculo da média a posteriori do processo latente para o nível mais agregado: ˆµ 0 = (Σ Φ 1 0 ) 1 (Σ 1 0 y 0 + Φ 1 0 mµ 0 ). Note que quando a priori para µ 0 é pouco informativa, a média a posteriori será próxima de y 0. Quando a priori conjugada normal (2.5) é usada, a distribuição a posteriori para θ j,k tem densidade normal com média dada por ˆθ j,k = Φ j,k (Φ j,k + Ω j,k ) 1 (y D j,k ν j,k y j,k ). (2.8) Quando a priori de misturas de normais (2.6) é usada, a distribuição a posteriori de θ j,k é também uma mistura de normais. Nesse caso, a média a posteriori será 10

24 expressa por ˆθ j,k = q j,kˆθ1 j,k + (1 q j,k )ˆθ 0 j,k, onde ˆθ 0 j,k e ˆθ 1 j,k são calculados através de (2.8) usando Φ 0 j,k e Φ 1 j,k, respectivamente, em substituição a Φ j,k. Além disso, q j,k = P (η j,k = 1 y D j,k, y j,k ) = O j,k 1 + O j,k, onde O j,k é a razão de chances a posteriori para cada nó (j, k), variando entre 0 e 1 e controlando a componente de mistura, isto é, O j,k = p j,k 1 p j,k Φ 0 j,k + Ω j,k 0.5 exp{0.5(y D j,k ν j,k y j,k ) (Φ 0 j,k + Ω j,k ) 1 (y D j,k ν j,k y j,k )} Φ 1 j,k + Ω j,k 0.5 exp{0.5(y D j,k ν j,k y j,k ) (Φ 1 j,k + Ω j,k ) 1 (y D j,k ν j,k y j,k )} Estimação do Elemento Excluído Observe que se σ 2 j for conhecido, Ω j,k também o será. Nesse caso, somente restaria estimar o vetor (µ 0, θ 0,..., θ J 2 ), que é uma reparametrização do vetor de médias µ J 1. Após a obtenção do estimador de (µ 0, θ 0,..., θ J 2 ), o passo seguinte é encontrar, recursivamente, os estimadores de (µ 1,..., µ J 1 ). Para tal, necessita-se, além dos estimadores dos θ s, dos estimadores das médias do ancestral e dos descendentes. Recorde que a eliminação de um dos elementos no proceso de inferência se faz necessária, pois do contrário, a verossimilhança fatorizada envolveria uma função degenerada, visto que y j,k = (j+1,k ) D j,k y j+1,k. Observe que os θ s e os µ D j,k s têm dimensões iguais a n D j,k. Assim sendo, o cálculo da estimativa de µ Dj,k pode ser realizado da seguinte forma: 11

25 Inicialmente toma-se o valor de ν j,k e o estimador de µ j,k. Em seguida, estima-se θ j,k, este também possuindo dimensão igual a n D j,k. Posteriormente, com uso da expressão θ j,k = µ D j,k ν j,k µ j,k, calcula-se o estimador de µ D j,k. Finalmente, em decorrência da expressão (2.2), observe que o descendente excluído pode ser estimado pela diferença entre o estimador de µ j,k e a soma dos elementos do estimador de µ D j,k. Isto é, igual a ˆµ j,k ˆµ j+1,k. (j+1,k ) D j,k Desse modo, o estimador de µ Dj,k poderá ser calculado sucessivamente ao longo do tempo t. 2.6 Aplicações Nesta seção apresentamos duas aplicações iniciais da modelagem multi-escala proposta por Kolaczyk e Huang (2001): a primeira, utilizando os dados simulados de 3 curvas (seno, parábola e uma reta) e a segunda fazendo uso de dados do PIB per capita do estado do Espírito Santo. Os dados referentes ao PIB e população por município estão disponibilizados na base de dados mantida pelo IPEA (Instituto de Pesquisa Econômica e Aplicada) e podem ser obtidos no endereço eletrônico Aplicação a Dados Simulados Geramos dados de uma reta, de um seno e de uma parábola. Em cada caso as gerações foram realizadas em 3 níveis de resolução. Cada ancestral do nível j = 0 e j = 1 possui, respectivamente, 3 descendentes, totalizando 45 áreas no 12

1 Método de Monte Carlo Simples

1 Método de Monte Carlo Simples Método de Monte Carlo Simples Finalidade: obter uma estimativa para o valor esperado de uma função qualquer g da variável aleatória θ, ou seja, E[g(θ)]. Seja g(θ) uma função qualquer de θ. Suponha que

Leia mais

Modelagem de Processos Espaço-temporais

Modelagem de Processos Espaço-temporais Universidade Federal do Rio de Janeiro Instituto de Matemática Modelagem de Processos Espaço-temporais Marina Silva Paez (marina@im.ufrj.br) April 30, 2009 Trabalho realizado em colaboração com: Dani Gamerman

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 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 mais

CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO

CAPÍTULO 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 mais

MODELOS ESPAÇO-TEMPORAIS PARA DADOS DE ÁREA NA FAMÍLIA EXPONENCIAL

MODELOS ESPAÇO-TEMPORAIS PARA DADOS DE ÁREA NA FAMÍLIA EXPONENCIAL MODELOS ESPAÇO-TEMPORAIS PARA DADOS DE ÁREA NA FAMÍLIA EXPONENCIAL Juan Carlos Vivar Tese de Doutorado submetida ao programa de Pós-graduação em Estatística do Instituto de Matemática da Universidade Federal

Leia mais

4 Avaliação Econômica

4 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 mais

Introdução aos Sistemas de Informação Geográfica

Introdução aos Sistemas de Informação Geográfica Introdução aos Sistemas de Informação Geográfica Mestrado Profissionalizante 2015 Karla Donato Fook karladf@ifma.edu.br IFMA / DAI Análise Espacial 2 1 Distribuição Espacial A compreensão da distribuição

Leia mais

Distribuição 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 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 mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio 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 mais

Modelos bayesianos sem MCMC com aplicações na epidemiologia

Modelos bayesianos sem MCMC com aplicações na epidemiologia Modelos bayesianos sem MCMC com aplicações na epidemiologia Leo Bastos, PROCC/Fiocruz lsbastos@fiocruz.br Outline Introdução à inferência bayesiana Estimando uma proporção Ajustando uma regressão Métodos

Leia mais

Um modelo de TRI para dados do vestibular 2011.2 da Universidade Federal de Uberlândia

Um modelo de TRI para dados do vestibular 2011.2 da Universidade Federal de Uberlândia Um modelo de TRI para dados do vestibular 20.2 da Universidade Federal de Uberlândia Luana Amâncio Terra 2 José Waldemar da Silva 2 Lúcio Borges de Araújo 2 Maria Imaculada de Sousa Silva 2 Introdução

Leia mais

6 Construção de Cenários

6 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 mais

MOQ-23 ESTATÍSTICA. Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo

MOQ-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 mais

4 Gráficos de controle

4 Gráficos de controle 4 Gráficos de controle O gráfico de controle é uma ferramenta poderosa do Controle Estatístico de Processo (CEP) para examinar a variabilidade em dados orientados no tempo. O CEP é composto por um conjunto

Leia mais

Estimação por Intervalos

Estimação por Intervalos Capítulo 5 Estimação por Intervalos A principal restrição da estimação pontual é que quando estimamos um parâmetro através de um único valor numérico toda a informação presente nos dados é resumida através

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Técnicas de Cluster para Analisar Restrição Financeira e Decisão de Investimento: Uma Abordagem Bayesiana

Técnicas de Cluster para Analisar Restrição Financeira e Decisão de Investimento: Uma Abordagem Bayesiana Técnicas de Cluster para Analisar Restrição Financeira e Decisão de Investimento: Uma Abordagem Bayesiana Camila Fernanda Bassetto 1 Aquiles E. G. Kalatzis 2 1 Introdução - Restrição Financeira e Decisão

Leia mais

Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações

Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações Actas do XIV Congresso Anual da SPE 1 Predição bootstrap via amostragem Gibbs do montante a- nual de indemnizações Susana Rosado-Ganhão Faculdade de Arquitectura da UTL, Departamento de Tecnologias da

Leia mais

Análise Bayesiana do Sistema de Cotas da UFBA

Análise 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 mais

Cadeias de Markov. Geovany A. Borges gaborges@ene.unb.br

Cadeias de Markov. Geovany A. Borges gaborges@ene.unb.br 36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br

Leia mais

Universidade 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 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 mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 6 Abril 09 5 Modelos preditivos para classificação 5. Introdução Os modelos descritivos, tal como apresentados atrás, limitam-se à sumarização dos dados

Leia mais

1 Introdução 1.1. Motivação e conceitos básicos

1 Introdução 1.1. Motivação e conceitos básicos 1 Introdução 1.1. Motivação e conceitos básicos Uma seguradora ou companhia de seguros, segundo o Dicionário de Seguros, define-se como uma instituição que tem como objetivo indenizar prejuízos involuntários.

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

Somatórias e produtórias

Somatórias 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 mais

Introdução à Inferência Estatística

Introdução à Inferência Estatística Introdução à Inferência Estatística 1. População: conjunto de indivíduos, ou itens, com pelo menos uma característica em comum. Também será denotada por população objetivo, que é sobre a qual desejamos

Leia mais

Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA

Estimação 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 mais

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com TEORIA DO RISCO LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com 1 TARIFAÇÃO (FERREIRA, 2002) Diversos conceitos e metodologias envolvidos no cálculo do preço pago

Leia mais

CRM e Prospecção de Dados

CRM e Prospecção de Dados CRM e Prospecção de Dados Marília Antunes aula de 11 de Maio 09 6 Modelos de regressão 6.1 Introdução No capítulo anterior foram apresentados alguns modelos preditivos em que a variável resposta (a variável

Leia mais

[2.000] (IP:281473857278462

[2.000] (IP:281473857278462 1. [2.000] (IP:281473857278462 19:36:32 19:32:41 56:09 4.486) Considere e discuta a seguinte afirmativa: "Nem sempre o modelo com o melhor R² não-ajustado é o mais adequado". A afirmativa é verdadeira,

Leia mais

AULAS 11 E 12 Dos objetivos aos indicadores da avaliação

AULAS 11 E 12 Dos objetivos aos indicadores da avaliação 1 AULAS 11 E 12 Dos objetivos aos indicadores da avaliação Ernesto F. L. Amaral 14 e 26 de abril de 2011 Avaliação de Políticas Públicas (DCP 046) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação

Leia mais

Modelamento e simulação de processos

Modelamento e simulação de processos Modelamento e simulação de processos 4. Método de Monte Carlo Prof. Dr. André Carlos Silva 1. INTRODUÇÃO O Método de Monte Carlo (MMC) é um método estatístico utilizado em simulações estocásticas com diversas

Leia mais

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013 Introdução Estimativas acuradas do volume de produtos e serviços processados pela

Leia mais

2 Modelo para o Sistema de Controle de Estoque (Q, R)

2 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 mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

OInstituto de Ciências Matemáticas de São Carlos (ICMSC), da

OInstituto de Ciências Matemáticas de São Carlos (ICMSC), da Instituto de Ciências Matemáticas de São Carlos HILDELBRANDO MUNHOZ OInstituto de Ciências Matemáticas de São Carlos (ICMSC), da Universidade de São Paulo, teve sua origem como Departamento de Matemática

Leia mais

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística

PLANO 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 mais

1. Introdução. 1.1 Introdução

1. Introdução. 1.1 Introdução 1. Introdução 1.1 Introdução O interesse crescente dos físicos na análise do comportamento do mercado financeiro, e em particular na análise das séries temporais econômicas deu origem a uma nova área de

Leia mais

UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA

UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA Estimação Bayesiana Curso: Bacharelado em Estatística Disciplina: Estatística Aplicada Nome: Denis Ribeiro

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO 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 mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

METODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA

METODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA METODOLOGIA BAYESIANA PARA A ACTUALIZAÇÃO DO MÓDULO DE DEFORMABILIDADE NUMA ESTRUTURA SUBTERRÂNEA BAYESIAN METHODOLOGY FOR THE DEFORMABILITY MODULUS UPDATING IN AN UNDERGROUND STRUCUTRE Miranda, Tiago,

Leia mais

Avaliação de Desempenho

Avaliação 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 mais

Introdução a Avaliação de Desempenho

Introdução a Avaliação de Desempenho Introdução a Avaliação de Desempenho Avaliar é pronunciar-se sobre as características de um certo sistema. Dado um sistema real qualquer, uma avaliação deste sistema pode ser caracterizada por toda e qualquer

Leia mais

SATURNO V 6.11. Por Hindemburg Melão Jr. http://www.saturnov.com

SATURNO V 6.11. Por Hindemburg Melão Jr. http://www.saturnov.com SATURNO V 6. Por Hindemburg Melão Jr. http://www.saturnov.com A versão 6. (ou 3.4926c83) foi analisada sob diversos aspectos, a fim de verificar a uniformidade do comportamento ao longo do tempo. Primeiramente

Leia mais

Simulação Estocástica

Simulação Estocástica Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

2. Método de Monte Carlo

2. 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 mais

MOQ-13 Probabilidade e Estatística

MOQ-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 mais

UMA NOVA PROPOSTA PARA GEOMETRIA ANALÍTICA NO ENSINO MÉDIO

UMA NOVA PROPOSTA PARA GEOMETRIA ANALÍTICA NO ENSINO MÉDIO UMA NOVA PROPOSTA PARA GEOMETRIA ANALÍTICA NO ENSINO MÉDIO DANIELLA ASSEMANY DA GUIA CAp- UFRJ danyprof@bol.com.br 1.1. RESUMO Esta comunicação científica tem como objetivo tratar e apresentar a Geometria

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade,

Este 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 mais

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas,

1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, MODELAÇÃO E DETERMINAÇÃO DE PARÂMETROS CINÉTICOS FILIPE GAMA FREIRE 1. Objectivo Durante uma experiência, medem-se certas variáveis, ex.: concentrações, pressões, temperaturas, etc. a que chamaremos y

Leia mais

Estatística stica para Metrologia

Estatística stica para Metrologia Aula 5 Estatística stica para Metrologia Aula 5 Variáveis Contínuas Uniforme Exponencial Normal Lognormal Mônica Barros, D.Sc. Maio de 008 1 Distribuição Uniforme A probabilidade de ocorrência em dois

Leia mais

Uma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana

Uma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana Uma aplicação dos modelos de fronteira estocástica utilizando a abordagem Bayesiana Bruna Cristina Braga 1 2 Juliana Garcia Cespedes 1 1 Introdução Os cursos de pós-graduação do Brasil são avaliados pela

Leia mais

Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos

Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos Dados que podem ser necessários a algumas questões de Estatística: P (t > t α ) = α ν 0,05 0,025 15 1,753 2,131 16 1,746 2,120 28 1,791 2,048 30 1,697 2,042 (Valor: 1,4) Questão 1. Considere o seguinte

Leia mais

Bioestatística Aula 3

Bioestatística 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 mais

Vetores Aleatórios, correlação e conjuntas

Vetores 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 mais

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014 PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método

Leia mais

Organizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU

Organizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o

Leia mais

MESTRADO EM PESQUISA DE MERCADOS 2006 2007

MESTRADO EM PESQUISA DE MERCADOS 2006 2007 MESTRADO EM PESQUISA DE MERCADOS 2006 2007 PROGRAMA DAS DISCIPLINAS 1 1º trimestre PESQUISA DE MERCADOS Objectivos Pretende-se que os alunos: (a) adquiram os conceitos e semântica próprios do tema, (b)

Leia mais

UNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo

UNIVERSIDADE 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

Inferência Estatística

Inferência Estatística Universidade Federal Fluminense Instituto de Matemática e Estatística Inferência Estatística Ana Maria Lima de Farias Departamento de Estatística Conteúdo 1 Inferência estatística Conceitos básicos 1 1.1

Leia mais

AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP

AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP Edson de Oliveira Pamplona, Dr. Escola Federal de Engenharia de Itajubá Av. BPS, 1303 Itajubá, MG CEP: 37500-000 e-mail: pamplona@iem.efei.br Prof.

Leia mais

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua

Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Inferências Geográfica: Inferência Bayesiana Processo Analítico Hierárquico Classificação contínua Análise Multi-Critério Classificação continua (Lógica Fuzzy) Técnica AHP (Processo Analítico Hierárquico)

Leia mais

1 Tipos de dados em Análise de Clusters

1 Tipos de dados em Análise de Clusters Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 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 mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

REDES BAYESIANAS. Palavras-chave: Redes bayesianas, Grafo, Estrutura de Dados, Inteligência artificial.

REDES BAYESIANAS. Palavras-chave: Redes bayesianas, Grafo, Estrutura de Dados, Inteligência artificial. REDES BAYESIANAS Gabriel Rigo da Cruz Jacobsen gabrielrigoj@gmail.com Prof. Leonardo Sommariva, Estrutura de Dados RESUMO: Uma rede bayesiana é uma forma de representar o conhecimento de um domínio onde

Leia mais

Regra do Evento Raro p/ Inferência Estatística:

Regra do Evento Raro p/ Inferência Estatística: Probabilidade 3-1 Aspectos Gerais 3-2 Fundamentos 3-3 Regra da Adição 3-4 Regra da Multiplicação: 3-5 Probabilidades por Meio de Simulações 3-6 Contagem 1 3-1 Aspectos Gerais Objetivos firmar um conhecimento

Leia mais

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.

Introdução. 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 mais

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

Modelagem 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 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 mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. 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 mais

Computação Paralela. Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho.

Computação Paralela. Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho. Computação Paralela Desenvolvimento de Aplicações Paralelas João Luís Ferreira Sobral Departamento do Informática Universidade do Minho Outubro 2005 Desenvolvimento de Aplicações Paralelas Uma Metodologia

Leia mais

Muitas aplicações modernas podem ser modeladas como tarefas divisíveis.

Muitas aplicações modernas podem ser modeladas como tarefas divisíveis. 1 Introdução O grande aumento de performance das redes de computadores, combinado com a proliferação de computadores de baixo custo e alto desempenho, trouxe à tona ambientes de meta-computação, ou grids[15,

Leia mais

UMA EXPERIÊNCIA COM A MODELAGEM MATEMÁTICA POR MEIO DO ESTUDO DA RITALINA NO ORGANISMO

UMA EXPERIÊNCIA COM A MODELAGEM MATEMÁTICA POR MEIO DO ESTUDO DA RITALINA NO ORGANISMO UMA EXPERIÊNCIA COM A MODELAGEM MATEMÁTICA POR MEIO DO ESTUDO DA RITALINA NO ORGANISMO Renata Karoline Fernandes Universidade do Norte do Paraná/Universidade Estadual de Londrina renatakaroline@hotmail.com

Leia mais

1. Método Simplex. Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção. Pesquisa Operacional II Profa. Dra. Lílian Kátia de Oliveira

1. Método Simplex. Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção. Pesquisa Operacional II Profa. Dra. Lílian Kátia de Oliveira Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção. Método Simple.. Solução eata para os modelos de Programação Linear O modelo de Programação Linear (PL) reduz um sistema real a um conjunto

Leia mais

Método de Monte Carlo e ISO

Método 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

Métodos Matemáticos para Engenharia de Informação

Métodos Matemáticos para Engenharia de Informação Métodos Matemáticos para Engenharia de Informação Gustavo Sousa Pavani Universidade Federal do ABC (UFABC) 3º Trimestre - 2009 Aulas 1 e 2 Sobre o curso Bibliografia: James Stewart, Cálculo, volume I,

Leia mais

Intervalos Estatísticos para uma Única Amostra

Intervalos Estatísticos para uma Única Amostra Roteiro Intervalos Estatísticos para uma Única Amostra 1. Introdução 2. Intervalo de Confiança para Média i. População normal com variância conhecida ii. População normal com variância desconhecida 3.

Leia mais

PASSEIOS ALEATÓRIOS E CIRCUITOS ELÉTRICOS

PASSEIOS ALEATÓRIOS E CIRCUITOS ELÉTRICOS PASSEIOS ALEATÓRIOS E CIRCUITOS ELÉTRICOS Aluno: Ricardo Fernando Paes Tiecher Orientador: Lorenzo Justiniano Díaz Casado Introdução A teoria da probabilidade, assim como grande parte da matemática, está

Leia mais

Geração de Números Aleatórios e Simulação

Geração de Números Aleatórios e Simulação Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana

Leia mais

Um modelo evolutivo para a dengue considerando incertezas de fatores ambientais

Um modelo evolutivo para a dengue considerando incertezas de fatores ambientais Um modelo evolutivo para a dengue considerando incertezas de fatores ambientais Luciana T. Gomes, Laécio C. de Barros, Depto de Matemática Aplicada, IMECC, UNICAMP 133-59, Campinas, SP E-mail: ra@ime.unicamp.br,

Leia mais

6 METODOLOGIA DE CÁLCULO DO CAPITAL ECONÔMICO

6 METODOLOGIA DE CÁLCULO DO CAPITAL ECONÔMICO METODOLOGIA 77 6 METODOLOGIA DE CÁLCULO DO CAPITAL ECONÔMICO Uma das principais funções do gerenciamento de riscos em um setor financeiro é determinar a quantidade de capital que a instituição necessita

Leia mais

EMPREGO DE MODELAGEM NUMÉRICA PARA ESTIMATIVA DE RADIAÇÃO SOLAR NO ESTADO DO CEARÁ

EMPREGO DE MODELAGEM NUMÉRICA PARA ESTIMATIVA DE RADIAÇÃO SOLAR NO ESTADO DO CEARÁ EMPREGO DE MODELAGEM NUMÉRICA PARA ESTIMATIVA DE RADIAÇÃO SOLAR NO ESTADO DO CEARÁ Francisco José Lopes de Lima 1,2, Fernando Ramos Martins 1, Jerfferson Souza, 1 Enio Bueno Pereira 1 1 Instituto Nacional

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

Testes de Ajustamento (testes da bondade do ajustamento)

Testes de Ajustamento (testes da bondade do ajustamento) Testes de Ajustamento (testes da bondade do ajustamento) Os testes de ajustamento servem para testar a hipótese de que uma determinada amostra aleatória tenha sido extraída de uma população com distribuição

Leia mais

2 Modelo Clássico de Cramér-Lundberg

2 Modelo Clássico de Cramér-Lundberg 2 Modelo Clássico de Cramér-Lundberg 2.1 Conceitos fundamentais Nesta sessão introduziremos alguns conceitos fundamentais que serão utilizados na descrição do modelo de ruína. A lei de probabilidade que

Leia mais

TRATAMENTO DA INFORMAÇÃO NO ENSINO FUNDAMENTAL: PROPOSTAS CURRICULARES E LIVROS DIDÁTICOS

TRATAMENTO DA INFORMAÇÃO NO ENSINO FUNDAMENTAL: PROPOSTAS CURRICULARES E LIVROS DIDÁTICOS TRATAMENTO DA INFORMAÇÃO NO ENSINO FUNDAMENTAL: PROPOSTAS CURRICULARES E LIVROS DIDÁTICOS Luciana Boemer Cesar 1 Mary Ângela Teixeira Brandalise 2 Palavras-chave: formação de professores, ensino de estatística,

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

CAP4: Distribuições Contínuas Parte 1 Distribuição Normal

CAP4: 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 mais

Introdução a Inferência Bayesiana. Ricardo S. Ehlers

Introdução a Inferência Bayesiana. Ricardo S. Ehlers Introdução a Inferência Bayesiana Ricardo S. Ehlers Versão Revisada em junho de 2003 Sumário 1 Introdução 2 1.1 Teorema de Bayes.......................... 2 1.2 Princípio da Verossimilhança....................

Leia mais

MODELOS DE REGRESSÃO NÃO-LINEARES CONSIDERANDO UMA MISTURA FINITA DE DISTRIBUIÇÕES NORMAIS PARA OS ERROS

MODELOS DE REGRESSÃO NÃO-LINEARES CONSIDERANDO UMA MISTURA FINITA DE DISTRIBUIÇÕES NORMAIS PARA OS ERROS MODELOS DE REGRESSÃO NÃO-LINEARES CONSIDERANDO UMA MISTURA FINITA DE DISTRIBUIÇÕES NORMAIS PARA OS ERROS Vicente Garibay CANCHO 1 Jorge Alberto ACHCAR 2 Edwin Moises Marcos ORTEGA 3 RESUMO: Neste artigo

Leia mais

Diferenciais Parciais

Diferenciais Parciais Capítulo Solução Numérica de Equações Diferenciais Parciais. Introdução Uma equações diferencial parcial (EDP) pode ser escrita na forma geral a φ x + b φ x y + φ c y + d φ x + e φ + fφ+ g = 0 (.) y onde

Leia mais

Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445)

Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445) Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445) Prof. Hélio Pedrini Instituto de Computação UNICAMP 2º Semestre de 2015 Roteiro 1 Morfologia Matemática Fundamentos Matemáticos Operadores

Leia mais

Correlação e Regressão Linear

Correlação e Regressão Linear Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.

Leia mais

5 Estudo de caso: índice de cobrabilidade

5 Estudo de caso: índice de cobrabilidade 5 Estudo de caso: índice de cobrabilidade Neste capítulo, as metodologias abordadas nos capítulos 3 e 4 serão adaptadas e aplicadas ao contexto descrito no capítulo 1 (mensurar as variáveis que compõem

Leia mais

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na

Leia mais

Álgebra Linear. Mauri C. Nascimento Departamento de Matemática UNESP/Bauru. 19 de fevereiro de 2013

Álgebra Linear. Mauri C. Nascimento Departamento de Matemática UNESP/Bauru. 19 de fevereiro de 2013 Álgebra Linear Mauri C. Nascimento Departamento de Matemática UNESP/Bauru 19 de fevereiro de 2013 Sumário 1 Matrizes e Determinantes 3 1.1 Matrizes............................................ 3 1.2 Determinante

Leia mais