0.1 Modelação de dados
|
|
- Heitor Valverde Felgueiras
- 7 Há anos
- Visualizações:
Transcrição
1 0.1. MODELAÇÃO DE DADOS Modelação de dados Comecemos por admitir que temos acesso a dados (x 1,..., x n ) que podem ser encarados como observações de variáveis aleatórias independentes e identicamente distribuídas. Isto é, são réplicas de uma variável aleatória X com função distribuição F à qual está associada a função quantil Q(p) = F 1 (p) = inf{x : F (x) p} para p [0, 1]. Dada uma amostra observada, como validar uma determinada lei com função de distribuição F como sendo a lei subjacente à variável aleatória em estudo? 1. Calculem-se algumas estatísticas descritivas (média, variância, coeficientes de assimetria, achatamento,...) 2. Obtenha-se o histograma associado aos dados (imagem estatística da função densidade de probabilidade) ou outra representação gráfica equivalente. 3. Escolha-se uma lei adequada, por entre a gama de leis usuais em aplicações, ou com base em considerações teóricas. Mas, devemos deixar falar os dados! 4. Proceda-se à estimação de parâmetros desconhecidos de que a lei dependa. 5. Teste-se a validação do modelo de forma adequada. 6. Se não houver razão para rejeitar o modelo proposto proceda-se à inferência desejada com base neste modelo; caso contrário volta-se a 3.
2 2 0.2 Elementos de teoria de extremos A Teoria de Valores Extremos é, sem dúvida, uma ferramenta básica e muito eficiente quando se pretende proceder a inferência estatística de dados extremais. Naturalmente que a primeira forma de apresentação dos dados a ser considerada foi aquela em que estes constituem uma amostra de variáveis aleatórias reais independentes e identicamente distribuídas, situação que aqui consideramos. No contexto em que se insere o presente texto recorremos à teoria de extremos para determinar níveis elevados associados a determinado fenómeno aleatório, isto é, níveis que têm uma probabilidade muito pequena de serem excedidos. Mais concretamente, relativamente a uma variável aleatória contínua (temperatura, caudal, precipitação, etc), pretendemos estimar números Q(1 p) tais que a probabilidade de a variável em estudo assumir valores acima deste seja igual a p, com p próximo de zero. FALAR NO INVERSO No mesmo contexto, estamos frequentemente interessados em determinar (na realidade, aproximar) períodos de retorno de determinado nível elevado u, ou seja, o tempo médio de espera entre excedências independentes do nível u ou, o número médio de observações necessárias para obter um valor que excede u. Para atingir tais objectivos há que dispor de uma amostra adequada. Na análise estatística de valores extremos são seguidos usualmente diferentes métodos de actuação relativamente à obtenção dos dados considerados relevantes para se fazer inferência acerca dos valores extremos da população em estudo. Apresentamos apenas dois métodoso método de Gumbel e o método POT (...). Com o primeiro método geramos e exploramos uma amostra de máximos do fenómeno em causa. O segundo método concentra o estudo num número reduzido de observações cimeiras. O Método de Gumbel é um método clássico (Gumbel (1958)) que consiste em dividir a amostra inicial em grupos de igual dimensão e seguidamente concentrar o estudo nos máximos de cada grupo. Como hipótese inicial devemos poder assumir que os diferentes grupos representam realizações independentes e obviamente de um mesmo fenómeno. Em muitas amostras de natureza ambiental a subamostra natural é constituída por dados referentes a um longo período de tempo, por exemplo um ano, daí que este método seja também designado por Método dos Máximos Anuais. O procedimento usado pelo Método de Gumbel é de algum modo natural quando observamos fenómenos físicos ao longo do tempo, como por exemplo níveis máximos de rios ou de pluviosidade, alturas de maiores vagas marítimas ou rajadas máximas de ventos, onde se espera uma certa repetição dos mesmos valores em períodos de um ano. Porém, em muitas áreas de aplicação, a natureza nem sempre nos oferece essa sazonalidade pelo que aquele método deixa de parecer natural. Assim, têm sido desenvolvidos procedimentos alternativos que têm por base a análise de um pequeno número de observações cimeiras. É neste contexto que surgem o método POT (Peaks Over Threshold). Este método têm claramente vantagens em relação à metodologia clássica de Gumbel. De facto, o particionamento da amostra total e ainda a obrigatoriedade de tomar como observações relevantes apenas os máximos de cada uma das subamostras, podem-nos levar a desprezar alguns valores elevados cujo conhecimento é de extrema importância para o estudo do comportamento da cauda direita da f.d. subjacente aos dados. A alternativa ao Método de Gumbel que tem interessado mais investigadores é o Método POT introduzido em Pickands (1975). De acordo com este método tomamos por observações relevantes as que se encontram acima de um nível u (threshold) fixado
3 0.2. ELEMENTOS DE TEORIA DE EXTREMOS 3 previamente. Começando pela abordagem associada ao método de Gumbel, admitamos que dispomos de uma amostra constituída por valores máximos de um determinado fenómeno, recolhidos ao longo do tempo, ou, por outras palavras, que dispomos de uma amostra da variável máximo de determinado fenómeno (máximo da temperatura, do caudal, da altura da água, etc). Na génese da Teoria de Valores Extremos está resultado que se deve ao matemático Gnedenko, num trabalho publicado em 1943, no qual se mostra que, em condições bastante gerais, a distribuição do máximo de variáveis aleatórias reais independentes e identicamente distribuídas apresenta uma regularidade surpreendente. Concretamente, o Teorema de Gnedenko, que ainda hoje pode ser considerado como um dos resultados mais importantes da Teoria de Valores Extremos, estabelece que a função de distribuição do máximo de amostras suficientemente grandes pode ser aproximada por uma função de distribuição que apresenta uma das três formas seguintes: Ψ(x) Φ(x) Λ(x) := exp ( ( x λ ) α), x ], 0[, := exp ( ( x λ ) α), x ]0, + [, ( ) := exp e x λ, x R, onde α > 0, b > 0 e a é um real qualquer. A estas três f.d. s foram atribuídos os nomes de Weibull, Fréchet e Gumbel, respectivamente. A f.d. Gumbel é sem dúvida a distribuição mais frequentemente ajustada a dados que sejam valores máximos de outras grandezas aleatórias. A principal razão de tal escolha é devida ao facto de a inferência para tal f.d. ser muito mais simples do que para a Frechét ou para a Weibull. A f.d. Gumbel goza, como f.d. limite de máximos devidamente normalizados, do mesmo papel que a f.d. Normal goza, como f.d. limite de somas, convenientemente normalizadas. Passamos a apresentar o esboço do gráfico da densidade das três leis de extremos Figura. Esboço do gráfico da densidade da lei de Gumbel com λ = 1 e = 0. Figura. Esboço do gráfico da densidade da lei de Fréchet Standard (λ = 0, = 1, α = 1) Gráfico das funções densidade da lei de Weibull Standard Figura. Esboço do gráfico da densidade da lei de Weibull Standard (λ = 0, = 1, α = 1) Gráfico das funções densidade relativamente às três leis de máximos. Figura. Validação de uma lei de máximos Ver apontamentos de ME Quando estamos face a uma amostra de máximos, começamos naturalmente pelo ajustamento de uma das três f.d. s indicadas, Gumbel (a mais simples), Fréchet ou Weibull
4 fazendo primeiro um teste de escolha estatística de um dos três modelos, que pode ser tão simples como um gráfico em papel de probabilidade. Para construir o chamado papel de probabilidade começamos por ordenar ascendentemente a amostra, gerando assim os valores x 1:n x 2:n... x n:n. Seguidamente marcamos num referencial os n pontos (x 1:n, ln( ln(1/n 1))), (x 2:n, ln( ln(2/n 1))),, (x n:n, ln( ln(n/n 1))). Este gráfico pode ser feito no Excel. Se, perante a nuvem de pontos obtida, pudermos afirmar que existe uma relação linear entre abcisssas e ordenadas temos uma validação informal do modelo Gumbel. Mais do que isso, se à nuvem de pontos se puder ajustar uma curva com a concavidade voltada para baixo optamos pela validação informal de um modelo Fréchet,enquanto que uma concavidade voltada para cima nos fornece uma validação informal de um modelo Weibull. Figura. Possíveis configurações das curvas a ajustar a um papel de probabilidade. Exemplo... 39, 104, 118, 119, 122, 132, 143, 152, 177, 177, 178, 182, 206, 212, 237, 237, 239, 241, 242, 258, 265, 276, 277, 329, 333, 344, 351, 357, 359, 361, 368, 370, 372, 376, 378, 391, 409, 418, 429, 431, 435, 578, 679, 920. Em alternativa ao papel de probabilidade podemos construir um teste estatístico mais rigoroso, usualmente designado Teste de Gumbel. Devido à facilidade relativa da inferência estatística associada ao modelo Gumbel, o primeiro passo será o de testar a hipótese de a amostra de máximos de que dispomos dar evidência a que a variável que lhe está subjacente seguir uma lei de Gumbel. Se, com o procedimento que apresentamos de seguida, esta hipótese for rejeitada, podemos, obviamente, enveredar pelo ajustamento de um modelo Fréchet ou Weibull. Dada uma amostra de máximos já ordenada ascendentemente x 1:n x 2:n... x n:n, usamos o valor da estatística w n = ln ln n ( xn:n x [n/2]+1:n x [n/2]+1:n x 1:n ) ln n + ln ln 2 ln ln n ln ln 2 com onde x [n/2]+1:n representa a mediana da referida amostra.
5 0.2. ELEMENTOS DE TEORIA DE EXTREMOS O p-valor deste teste é igual a 2 min{1 exp( exp( w n )), exp( exp( w n ))}. Como já foi referido atrás, concluímos que os dados evidenciam um modelo de Gumbel se o p-valor for maior ou igual a 0.05 e, obviamente, que evidenciam um modelo de Fréchet ou Weibull em caso contrário. Retomemos os dados do Rio Paiva. Vamos averiguar se estes dados dão evidência à hipótese de o máximo do caudal do rio Paiva seguir uma lei de Gumbel. Tem-se x n:n x [n/2]+1:n = x [n/2]+1:n x 1:n = 2.7 e w ln 44 + ln ln 2 44 = (ln ln 44) 2.7 ln ln 44 ln ln 2 = 0.91 REVER Então, como exp( exp( 0.91) =... e 1 exp( exp( 0.91) =... o p-valor é igual a..., pelo que, face a estes dados, concluímos estar na presença de um modelo Gumbel. No caso de amaostra de máximos não evidenciar um modelo de Gumbel para a variável máximo em estudo, como sabemos, enveredamos por um modelo Fréchet ou Weibull. Nesse caso, e tendo por objectivo a estimação de probabilidades de acontecimentos raros, níveis elevados e de períodos de retorno destas duas leis, é de toda a conveniência escrever a expressão das suas funções de distribuição numa só. Concretamente: ( ( exp 1 + ξ x λ ) ) 1/ξ ξ(x λ), 1 + > 0, ξ 0 G(x) = 0, 1 + ξ(x λ) Para ξ > 0, G define a função de distribuição da lei de Fréchet e para ξ < 0, G define a função de distribuição da lei de Weibull. Esta exposição prossegue com a estimação dos parâmetros desconhecidos ξ, λ, e. As respectivas estimativas (aproximações) que denotamos por ξ, λ, e, respectivamente, são geradas a partir da amostra de máximos de que dispomos. A saber, tem-se para a lei de Gumbel: 6S 2 6S 2 π ; = π e λ = X para a lei de Fréchet e para a lei de weibull: 0
6 6 Na sequência do que já foi dito atrás uma estimativa ξ positiva ou negativa dá evidência a um modelo Fréchet ou Weibull, respectivamente. Estimação de quantis elevados e de períodos de retorno O conhecimento da lei sujacente aos dados permite estimar facilmente quantis elevados Q(1 p), com p pequeno, do fenómeno em estudo, dados por 1 ( ln(1 p)) ξ λ, (Gumbel) Q(1 p) = ξ λ ln ( ln(1 p)), (Fréchet ou Weibull) Para estimar os períodos de retorno temos então ( ( 1 exp exp( u λ 1 ))), (Gumbel) T (u) ( ) 1/ ξ 1 u λ 1 exp 1 + ξ, (Fréchet ou Weibull) 0.3 Para mínimos Notemos que existem obviamente resultados análogos para valores mínimos, que decorrem da relação min X i = max ( X i) i=1...n i=1...n obtemos ( ) x λ P (W n x) G ξ onde 1 exp ( e x ), x R, ξ = 0 G ξ (x) = 1 G ξ ( x) = 1 exp ( (1 ξ ) x) 1/ξ, 1 ξ x > 0 Assim, para amostras de mínimos, e nos contextos habituais em que se insere o presente texto, interessam-nos quantis associados a baixas probabilidades, isto é Q(p) : F (Q(p)) = p, p pequeno Por exemplo, interessa-nos um valor de seca (nível baixo do rio ou de pluviosidade) cuja probabilidade de se observarem valores abaixo deste seja igual a um p muito pequeno.
7 0.4. MÉTODO POT Método POT Caracterização do método O resultado fundamental no qual assenta este método é um resultado de Pickands onde se prova que a f.d. contínua F pertence ao domínio de atracção de alguma f.d. GEV ξ se e só se ( ( )) 1 F (u + x) x 1 GP ξ, (1) 1 F (x) β com x e β positivos e para u suficientemente grande. Por GP ξ é designada a função de distribuição de Pareto Generalizada dada por { 1 (1 + ξx) GP ξ (x) = 1/ξ, x > 0, 1 + ξx > 0 e ξ = 0, 1 exp( x), x > 0 e ξ = 0. De acordo com o resultado referido, Pickands provou assim que, se u representa um nível suficientemente elevado, a função de distribuição da v.a. X, está no domínio de atracção de alguma distribuição GEV ξ se e somente se P (X u > x/x > u) pode ser bem aproximada, supondo u suficientemente elevado, por alguma função de distribuição Pareto Generalizada com o mesmo parâmetro de forma (ou índice de cauda) ξ. Uma vez que o Método de Gumbel identifica o comportamento distribucional do máximo de cada bloco com o comportamento da distribuição limite GEV ξ estamos perante uma abordagem de cariz paramétrico. Também no Método POT, desde que u seja um nível suficientemente elevado, a classe de Pareto Generalizada constitui a classe adequada para se fazer inferência estatística sobre dados extremais. Assim sendo, estamos mais uma vez face uma abordagem paramétrica. É neste contexto que surge em Pickands (1075) um estimador para o índice de cauda ξ, parâmetro de forma da f.d. GP ξ, dado por ˆξ p n = 1 log 2 log X (m) X (2m) X (2m) X (4m) onde m := m n, X (m) := X n m+1:m e {m m } é uma sucessão de inteiros que verifica lim m m n n = + e lim = 0. (2) n + n + n Este estimador, invariante a alterações de localização e de escala, é conhecido na literatura por estimador de Pickands. Em várias áreas de aplicação, não existe uma sazonalidade natural dos dados, parecendo de certo modo artificial o método das sub-amostras de Gumbel. E se considerassemos um número reduzido de observações de topo da colecção de dados inicial? Na realidade se temos dados diários ou semanais, certos anos podem conter alguns de entre esses maiores valores, certamente relevantes para inferir sobre a cauda de F, enquanto que outros anos podem não conter nenhum destes valores. Nesta segunda abordagem à estatística de extremos baseamos a inferência nas obervações que excedem um certo nível ou THRESHOLD ajustando modelos probabilísticos apropriados Lei limite dos excessos normalizados QUAL O MODELO ADEQUADO? De acordo com um resultado de Pickands temos
8 8 Capítulo 1: Teoria de Extremos P (X u x/x > u) GP ξ (x/β), u + se e só se ( ) x λ F n (a n x + b n ) = P (M n a n x + b n ) G ξ, n + onde GP ξ representa a função de distribição generalizada de Pareto. Nesta abordagem à estatística de extremos considera-se um nível elevado e trabalha-se com a amostra de excessos -diferença entre as observações e o próprio nível - os quais são modelados por uma distribuição GP ξ Lei Generalizada de Pareto O modelo Generalizado de Pareto tem f.d. ( GP ξ (x) = ξ x ) 1/ξ, 1 + ξ x β β e 1 e x/β x > 0 GP 0 (x) = 0 x < 0 > 0, x 0 para ξ Validação da lei generalizada de Pareto Tal como anteriormente podemos enveredar inicialmente por um teste de exponencialidade ( ξ = 0 ) dos excessos acima de um nível elevado u, previamente fixado. Este teste pode ser mais uma vez um teste gráfico em papel de probabilidade marcando ( x i:n versus ln 1 i ) n + 1 para i = 1, 2,..., n. Em caso de dúvida usamos o teste de Kolmogorov-Smirnov ou o teste do qui-quadrado como testes de ajustamento Estimação de parâmetros da lei generalizada de Pareto Estimadores de Momentos ponderados (ξ < 1) : com a 0 = x, a r = 1 n β = 2a 0a 1 a 0 2a 1 ξ = 2 a 0 a 0 2a 1, n j=1 (n j)(n j 1)... (n j + r + 1) x j:n (n 1)(n 2)... (n r)
9 1.8 - Método POT Estimação de quantis elevados e de períodos de retorno Temos k excessos do nível u, entre N observações. Nível elevado com probabilidade 1 p de ser excedido Q(1 p) Períodos de retorno do nível elevado v ( N 1 u β k p ξ ) ξ, ξ 0 ( ) u β N ln k p, ξ = 0 T (v) = 1 1 F (v) N k ( 1 + ξ v u ) 1/ ξ, ξ 0 β N k exp(v u β ), ξ = 0
Métodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Leia maisIntrodução Teoria de Valores Extremos Modelação Dados dependentes Não-estacionaridade. Valores extremos. Susana Barbosa
Valores extremos Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Eventos extremos Conceitos de extremo "Il est impossible que l improbable n arrive jamais" [E. Gumble] "Extremistan: the province
Leia maisMedida de Risco via Teoria de Valores Extremos. Análise de Risco (8) R.Vicente
Medida de Risco via Teoria de Valores Extremos Análise de Risco (8) R.Vicente 1 Resumo EVT: Idéia geral Medidas de risco Teoria de Valores Extremos (EVT) Distribuição de Máximos Distribuição de Exceedances
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisComparação do desempenho de diferentes níveis aleatórios na metodologia PORT
Comparação do desempenho de diferentes níveis aleatórios na metodologia PORT Paulo Araújo Santos Instituto Politécnico de Santarém, ESGS paulo.santos@esgs.pt Isabel Fraga Alves Universidade de Lisboa,
Leia maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia maisANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD)
ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD) Stênio R. Lima (bolsista do ICV-UFPI), Fernando F. Nascimento (orientador, Dept. de Estatística - UFPI)
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisAnálise de Valores Extremos: Uma Introdução
Análise de Valores Extremos: Uma Introdução M. Ivette Gomes C.E.A.U.L. e D.E.I.O., F.C.U.L., Universidade de Lisboa, Instituto de Investigação Científica Bento da Rocha Cabral M. Isabel Fraga Alves D.E.I.O.,
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Testes de Hipóteses Paramétricos 1 / 41 Introdução. Hipóteses Estatísticas. Erro Tipo I
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisTransformações e Ponderação para corrigir violações do modelo
Transformações e Ponderação para corrigir violações do modelo Diagnóstico na análise de regressão Relembrando suposições Os erros do modelo tem média zero e variância constante. Os erros do modelo tem
Leia maisInferência para duas populações
Inferência para duas populações Capítulo 13, Estatística Básica (Bussab&Morettin, 8a Edição) 7a AULA 27/04/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 7a aula (27/04/2015) MAE229 1 / 27 1.
Leia maisPROGRAMA e Metas Curriculares Matemática A. Estatística. António Bivar, Carlos Grosso, Filipe Oliveira, Luísa Loura e Maria Clementina Timóteo
PROGRAMA e Metas Curriculares Matemática A Estatística António Bivar, Carlos Grosso, Filipe Oliveira, Luísa Loura e Maria Clementina Timóteo O tema da Estatística nos Cursos Científico-Humanísticos de
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia mais$7HRULDGRV9DORUHV([WUHPRV
4 $7HLDG9DOH([WHP A Teoria dos alores Extremos (TE vem sendo bastante utilizada em campos ligados a eventos raros. ua estatística é aplicada na estimação de eventos climáticos cálculo de seguros e eventos
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisEng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Eng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM TÓPICOS DESTA AULA Revisão de Estatística Coleta de dados Análise de dados
Leia mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia maisPROCEDIMENTO PARA A ESCOLHA DE UMA DISTRIBUIÇÃO
PROCEDIMENTO PARA A ESCOLHA DE UMA DISTRIBUIÇÃO O método de máxima verossimilhança somente deve ser aplicado após ter sido definido um modelo probabilístico adequado para os dados. Se um modelo for usado
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisPHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos
PHD 574 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos 8 a aula Testes Não-Paramétricos de Hipóteses Mario Thadeu Leme de Barros Luís Antonio Villaça de Garcia Abril / 005 Estatística Aplicada
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de Setembro a 01 de Outubro
COMPARAÇÃO DOS MÉTODOS DE VERIFICAÇÃO DO AJUSTE DA DISTRIBUIÇÃO GUMBEL A DADOS EXTREMOS CARLOS JOSÉ DOS REIS 1, LUIZ ALBERTO BEIJO 2,GILBERTO RODRIGUES LISKA 3 RESUMO A distribuição Gumbel é muito aplicada
Leia maisProcesso de Amostragem
Processo de Amostragem População versus Amostra População: conjunto de unidades com uma ou mais característica em comum N é a dimensão da população Amostra: Subconjunto da população N é a dimensão da amostra
Leia maisNíveis de retorno de rajadas de vento via metodologias POT e blocos máximos no município de Piracicaba-SP.
Níveis de retorno de rajadas de vento via metodologias POT e blocos máximos no município de Piracicaba-SP. Gilberto Rodrigues Liska 1 6 Guido Gustavo Humada Gonzalez 2 6 Marcelo Ângelo Cirillo 3 6 Luiz
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - 1o Ano 01 - a Fase Proposta de resolução GRUPO I 1. A escolha pode ser feita selecionando, 9 dos 1 quadrados para colocar os discos brancos não considerando a ordem relevante
Leia maisModelação de grandes incêndios em Portugal
Modelação de grandes incêndios em Portugal Alexandra Ramos FEP e CMUP, Universidade do Porto, aramos@fep.up.pt Palavras chave: teoria de valores extremos bivariados, modelos para a dependência assintótica
Leia maisEstatística Computacional (Licenciatura em Matemática) Duração: 2h Exame NOME:
DEPARTAMENTO DE MATEMÁTICA DA UNIVERSIDADE DE COIMBRA Estatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 29-06-10 NOME: Observação: A resolução completa das perguntas inclui a justificação
Leia maisTESTE DE KOLMOGOROV-SMIRNOV. Professor Ewaldo Santana Universidade Estadual do Maranhão - UEMA
TESTE DE KOLMOGOROV-SMIRNOV Professor Ewaldo Santana Universidade Estadual do Maranhão - UEMA Conteúdo 2 Ewaldo Santana Introdução 3 Ewaldo Santana Introdução Testes estatísticos paramétricos, tais como
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Prof. Cícero Quarto www.cicerocq.com Slides produzidos a partir de suas anotações de aula do curso de Especialização em Estatística, Turma 2018/UEMA, assim como, aprofundados
Leia maisColeta e Modelagem dos Dados de Entrada
Slide 1 Módulo 02 Coleta e Modelagem dos Dados de Entrada Prof. Afonso C. Medina Prof. Leonardo Chwif Três Etapas Coleta Tratamento Inferência Coleta dos Dados 1. Escolha adequada da variável de estudo
Leia mais6 Teste de Normalidade das Cargas Fatoriais
6 Teste de Normalidade das Cargas Fatoriais Até o presente momento os intervalos de confiança e os valores-p para o TIAF são sugeridos com base em métodos não paramétricos, que não exigem a normalidade
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) 2a AULA 02/03/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 2a aula (02/03/2015) MAE229 1 / 16
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisDistribuições Amostrais
Distribuições Amostrais 1 Da população, com parâmetro, retira-se k amostras de tamanho n e calcula-se a estatística. Estas estatísticas são as estimativas de. As estatísticas, sendo variáveis aleatórias,
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisColeta e Modelagem dos Dados de Entrada
Coleta e Modelagem dos Dados de Entrada Capítulo 2 Páginas 24-52 Este material é disponibilizado para uso exclusivo de docentes que adotam o livro Modelagem e Simulação de Eventos Discretos em suas disciplinas.
Leia maisGrupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Leia maisCatarina Marques. Estatística II Licenciatura em Gestão. Conceitos: População, Unidade Estatística e Amostra
Amostragem Estatística II Licenciatura em Gestão 1 Conceitos: População, Unidade Estatística e Amostra População (ou Universo) dimensão N Conjunto de unidades com uma ou mais características comuns População
Leia maisTestes de hipóteses. Wagner H. Bonat Fernando P. Mayer Elias T. Krainski
Testes de hipóteses Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 07/06/2018 WB, FM, EK ( LEG/DEST/UFPR
Leia maisTécnicas de validação estatística.
Gualberto Agámez Montalvo. Análise de Dados e Simulação Departamento de Estatística Universidade de São Paulo. 1 de Junho de 2015 Considere-se um modelo matemático que supõe que as chegadas diárias a um
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - o Ano 0 - a Fase Proposta de resolução GRUPO I. Temos que P A B) P A) + P B) P A B) P A B) P A) + P B) P A B) Como A e B são independentes, então P A) P B) P A B), pelo
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 00 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia maisGeração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia mais13 DOTAÇÕES DE REGA 13.1 Introdução 13.2 Evapotranspiração Cultural 13.3 Dotações de Rega 13.4 Exercícios Bibliografia
PREFÁCIO 1 INTRODUÇÃO À HIDROLOGIA E AOS RECURSOS HÍDRICOS 1.1 Conceitos Gerais 1.2 Breve Nota Sobre a Evolução da Ciência da Hidrologia 1.2.1 A hidrologia na Antiguidade Oriental 1.2.2 A hidrologia na
Leia maisESTATÍSTICA DESCRITIVA
ESTATÍSTICA DESCRITIVA O principal objectivo da ESTATÍSTICA DESCRITIVA é a redução de dados. A importância de que se revestem os métodos que visam exprimir a informação relevante contida numa grande massa
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia maisMÁXIMOS ANUAIS DE PRECIPITAÇÃO DIÁRIA NA ILHA DA MADEIRA: UM ESTUDO SOBRE NÍVEIS DE RETORNO
MÁXIMOS ANUAIS DE PRECIPITAÇÃO DIÁRIA NA ILHA DA MADEIRA: UM ESTUDO SOBRE NÍVEIS DE RETORNO Resumo DÉLIA GOUVEIA-REIS 1, LUIZ GUERREIRO LOPES 2 E SANDRA MENDONÇA 3 1 FCEE-UMa Faculdade de Ciências Exatas
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisPHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos. 6 a aula Testes de Hipóteses
PHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos 6 a aula Testes de Hipóteses Mario Thadeu Leme de Barros Luís Antonio Villaça de Garcia Abril / 2007 Estatística Aplicada ao Gerenciamento
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia mais