Introdução a Inferência Bayesiana
|
|
- Pietra da Costa Brás
- 7 Há anos
- Visualizações:
Transcrição
1 Introdução a Inferência Bayesiana Helio S. Migon IM and COPPE - UFRJ migon@im.ufrj.br 2006 Conteúdo 1. Conceitos Básicos da Inferência 2. Distribuição a Priori 3. Sumariazação 4. Inferência Preditiva 1
2 1 - CONCEITOS BÁSICOS DA INFERÊNCIA 1.1. Introdução Informação Objetivo é sempre máximar a informação para reduzir incerteza Toda a informação de que dispomos é útil e deve ser aproveitada Duas visões da Estatística: Bayesiano e clássico 2
3 Exemplo: Considere os seguintes experimentos i) Um músico especialista em música clássica: escolhidos ao acaso 10 trechos de partituras desses autores, o músico acerta o autor dos 10; ii) Um bêbado: Feitos 10 lançamentos da moeda o bêbado acerta os 10 resultados; iii) Uma velhinha inglesa apreciadora de chá: De 10 xícaras enchidas com leite e chá sem nenhuma ordem específica, ela acerta os 10 resultados. A informação obtida nos 3 experimentos é a mesma Acreditamos mais na afirmação do músico que a da velhinha e, certamente, mais que a do bêbado 3
4 O conceito de probabilidade Subjetiva A probabilidade de um evento A mede do grau de confiança em A Seja o evento A = está chovendo em Moscou i) Uma pessoa do Rio que não conhece nada sobre o clima de Moscou poderia ter P (A H 1 ) = 0, 5 ii) Uma pessoa em Leningrado poderíamos ter: 0, 8, se chove em Leningrado P (A H 2 ) = 0, 2, caso contrário iii) Já para uma pessoa em Moscou: 1, se chove P (A H 3 ) = 0, caso contrário 4
5 Construção subjetiva de probabilidade Perdas quadráticas (de Finetti, 1975) A probabilidade p que atribuo a A é obtida através da minimização da perda quadrática (p 1) 2, se E = 1 (p E) 2 = p 2, se E = 0 É possível obter as propriedades básicas de probabilidade. i) p [ 0, 1 ] ii) P (Ē) = 1 P (E) As perdas possíveis associadas às especificações de P (E) = p e P (Ē) = q são: E=1: (p 1) 2 + q 2 E=0: p 2 + (q 1) 2 5
6 Figure 1: As perdas são dadas por AC 2 quando E = 1 e BC 2 quando E = 0 iii) P (E F ) = P (E F )P (F ) Defina-se P (E F ) como a probabilidade de E se F=1. Chamando essa probabilidade de p, P (F ) de q e P (E F ) de r, temos como perda total dessas especificações (p E) 2 F + (q F ) 2 + (r EF ) 2 com valores: E=F=1 : (p 1) 2 + (q 1) 2 + (r 1) 2 E=0, F=1 : p 2 + (q 1) 2 + r 2 F=0 : q 2 + r 2 6
7 1.2 - Elementos de Inferência Teorema de Bayes Quantidade de interesse desconhecida θ com valores em Θ Informação inicial sumarizada por p(θ H), onde H história Dados: observação de uma quantidade aleatória X relacionada com θ A distribuição amostral de X dada por p(x θ, H) 7
8 A questão é como passar de p(θ H) para p(θ x, H) p(θ x, H) = p(θ, x H) p(x H) = p(x θ, H) p(θ H) p(x H) onde p(x H) = p(x, θ H) dθ. Θ p(θ x) p(x θ) p(θ) A constante da fórmula será k 1 = Θ p(x θ)p(θ) dθ = E θ [p(x θ)] 8
9 Função de verossimilhança A função de verossimilhança de θ é l( ; x) : Θ R + θ l(θ ; x) = p(x θ) i) R p(x θ) dx = 1 mas Θ l(θ ; x) dθ = k 1, em geral. ii) A função de verossimilhança conecta a priori à posteriori usando para isso os dados do experimento. Exemplo: X Binomial(2,θ) p(x θ) = l(θ; x) = Note que: ( ) 2 θ x (1 θ) 2 x, x = 0, 1, 2 ; θ Θ = (0, 1) x a) se x=1 então l(θ ; x = 1) = 2θ(1 θ) e o valor mais provável (ou verossímil) de θ é 1/2. b) se x=2 então l(θ ; x = 2) = θ 2, valor mais provável é 1. c) se x=0 então l(θ ; x = 0) = (1 θ) 2, valor mais provável é 0. 9
10 Essas verossimilhanças estão plotadas na figura 2.1. Figure 2: Função de verossimilhança para diferentes valores de x. 10
11 Exemplo João vai ao médico e este desconfia da doença A. Toma várias providências: examina João, observa os sintomas e faz exames de rotina. Seja θ o indicador da doença A em João O médico assume que P (θ = 1 H) = 0, 7 Exame de laboratório X do tipo +/- relacionado com θ P (X = 1 θ = 0) = 0, 40, P (X = 1 θ = 1) = 0, 95, João faz o teste e o resultado é X=1 P (θ = 1 X = 1) l(θ = 1 ; X = 1)P (θ = 1) (0, 95)(0, 7) = 0, 665 P (θ = 0 X = 1) (0, 40)(0, 30) = 0,
12 P (θ = 1 X = 1) = 0, 665/0, 785 = 0, 847 e P (θ = 0 X = 1) = 0, 120/0, 785 = 0, 153 Médico pede a João teste Y, também, do tipo +/- P (Y = 1 θ = 1) = 0, 99 P (Y = 1 θ = 0) = 0, 04 Usando a priori p(θ x) p(y x) = θ Θ p(y θ) p(θ x) e portanto, P (Y = 1 X = 1) = P (Y = 1 θ = 1)P (θ = 1 X = 1) + +P (Y = 1 θ = 0)P (θ = 0 X = 1) = (0, 99)(0, 847) + (0, 04)(0, 153) = 0, 845 e P (Y = 0 X = 1) = 1 P (Y = 1 X = 1) = 0, 155 João faz o teste Y e observa-se Y=0 Agora 12
13 P (θ = 1 X = 1, Y = 0) l(θ = 1 ; Y = 0)P (θ = 1 X = 1) (0, 01)(0, 847) =. 0, 0085 P (θ = 0 X = 1, Y = 0) (0, 96)(0, 155) = 0, 1466 ou P (θ = 1 Y = 0, X = 1) = 0, 0085/0, 1551 = 0, 055 P (θ = 0 Y = 0, X = 1) = 0, 1466/0, 1551 = 0, 945. Resumindo 0, 7, antes de X e Y P (θ = 1) = 0, 847, após X e antes de Y 0, 055, após X e Y 13
14 Distribuição Preditiva Queremos prever Y cuja descrição probabilística é P (Y θ), que pode independer de X p(y x) = Θ p(y, θ x)dθ = Θ p(y θ, x)p(θ x)dθ = Θ p(y θ)p(θ x)dθ = E θ x[p(y θ)] Exemplo (cont.) Antes de observar Y, a nossa previsão atribuia muita chance em Y = 1, mas o observado foi Y = 0. Isto deve levar o médico a repensar o modelo. Deve questionar se: i) 0,7 refletia adequadamente P (θ = 1)? ii) O teste X é tão inexpressivo? A distribuição amostral de X é correta? iii) O teste Y é tão poderoso? 14
15 Natureza sequencial do teorema de Bayes Observa-se X 1 com probabilidade P 1 (X 1 θ) levando a p(θ x 1 ) l 1 (θ ; x 1 )p(θ) Observa-se X 2 com probabilidade P 2 (X 2 θ), X 2 X 1 θ p(θ x 2, x 1 ) l 2 (θ ; x 2 )p(θ x 1 ) l 2 (θ ; x 2 )l 1 (θ ; x 1 )p(θ) Repetindo-se este processo n vezes [ n ] p(θ x n, x n 1,..., x 1 ) l i (θ ; x i ) p(θ) i=1 O teorema de Bayes satisfaz a p(θ x n,..., x 1 ) l n (θ ; x n )p(θ x 1,..., x n 1 ) 15
16 Tma 1.1: Observação e priori normais Sejam θ N(µ, τ 2 ), (X θ) N(θ, σ 2 ), com σ 2 conhecido. Então, a distribuição a posteriori de θ é (θ X = x) N(µ 1, τ 2 1 ) onde Note que: µ 1 = τ 2 µ + σ 2 x τ 2 + σ 2 e τ 2 1 = τ 2 + σ 2 1) A precisão a posteriori é a soma das precisões da priori e da verossimilhança 2) Seja w = τ 2 /(τ 2 + σ 2 ), w (0, 1), logo µ 1 = wµ + (1 w)x 3) Não é fácil usar o teorema de Bayes com prioris não normais. Mistura de Normais p(θ) = α i p i (θ), α i > 0, α i = 1 onde p i (θ) são normais. 16
17 Permutabilidade Permutabilidade é um conceito mais fraco que o conceito de independência Definição Quantidades aleatórias X 1,..., X n do tipo 0-1 são permutáveis se as n! permutações (X k1,..., X kn ) tem a mesma distribuição de probabilidade n-dimensional Exemplo Uma urna com m bolas, r das quais com o número 1 e m-r com o número 0. Selecionamos uma por vez, sem reposição e denotamos por X k o dígito da k-ésima bola selecionada. Assim X 1,..., X n é uma sequência permutável, mas as quantidades aleatórias não são independentes. Tma. 1.2: Para toda sequência infinita de quantidades aleatórias {X n, n = 1, 2,... } permutáveis com valores em {0, 1} corresponde uma distribuição F em (0,1) tal que: P (X 1 = 1,..., X k = 1, X k+1 = 0,..., X n = 0) = 1 0 θ k (1 θ) n k df (θ), n e k n 17
18 2 - DISTRIBUIÇÕES A PRIORI A partir do conhecimento sobre θ pode-se descrever sua densidade por uma particular forma funcional. O caso mais importante é o das distribuições conjugadas. Def.: Seja F = { p(x θ), θ Θ} uma família de distribuições amostrais A classe Ψ é conjugada a F se p F e p(θ) Ψ então p(θ x) Ψ (i) A classe Ψ pode ser muito ampla. (ii) A classe Ψ pode ser muito restrita. Por exemplo: Ψ = {P : P (θ = θ 0 ) = 1} Exemplificando o processo de construção de famílias conjugadas Considere (X i θ) Ber(θ), θ (0, 1), i = 1,, n. Logo p(x θ) = θ t (1 θ) n t onde t = n i=1 x i Do teorema de Bayes x i = 0, 1, i = 1,, n 18
19 p(θ x) p(x θ) p(θ) θ t (1 θ) n t p(θ). Note que p(θ) e p(θ x) estão relacionadas através da verosssimilhança Assim se constroi a conjugada baseado no núcleo da verossimilhança que é da forma θ a (1 θ) b. (i) Se θ Beta(α, β), então p(θ) = Considere agora a família Beta 1 B(α, β) θα 1 (1 θ) β 1, 0 < θ < 1 e α, β > 0 e 1 B(α, β) = Γ(α + β) Γ(α)Γ(β) (ii) A média, moda e variância de θ são dadas, respectivamente, por α α + β, α 1 α + β 2 e αβ (α + β) 2 (α + β + 1) 19
20 Usando priori Beta obtém-se a posteriori p(θ x) θ α+t 1 (1 θ) β+n t 1 e portanto (θ x) Beta(α + t, β + n t) A família de distribuições Beta é conjugada à Bernoulli (binomial) A constante de proporcionalidade será 1/B(α + t, β + n t) O método de determinação da classe conjugada consiste em : (i) identificar a classe Ψ de distribuições para θ tal que l(θ; x) é proporcional a um membro de Ψ ; (ii) verificar se Ψ é fechada por amostragem. Se existe k tal que k 1 = l(θ; x)dθ < e todo p Ψ é definido através de p(θ) = kl(θ; x), para algum l(θ; x) então Ψ é dita ser família conjugada natural ao modelo amostral gerador de l. 20
21 Principais Famílias Conjugadas (i) Binomial A família de distribições Beta é conjugada à Binomial (ou Bernoulli) (ii) Normal com variância conhecida A família de normais é conjugada à Normal - Tma 1.1 (iii) Poisson Se X = (X 1,..., X n ) Poisson(θ) então: n n e θ θ x i p(x θ) = p(x i θ) = x i! i=1 l(θ x) e nθ θ Σx i. Núcleo tem a forma θ a e bθ caracterizando uma Gama i=1 p(θ) θ α 1 e βθ, α, β > 0 e θ > 0 A média e variância a priori são E(θ) = α β e V (θ) = α β 2 CV (θ) = V (θ) E(θ) A densidade a posteriori será p(θ x) θ α+σx i 1 exp{ (β + n) θ} 21
22 3. SUMARIZAÇÃO Sabemos que a Inferência Classica é: Estimação não viciada (mínima variância) Intervalo de Confiança Testes de Significância E a Inferência Bayesiana. O que é? Teoria da decisão Sumarização Resumir a informação disponível através de uns poucos números para comunicação 22
23 Estimação Pontual - Teoria da decisão Sumarização - Intervalo de Credibilidade Figure 3: Densidade a posteriori de θ com três regiões distintas: a primeira contendo cerca de 30 % da probabilidade total, a segunda com 10 % e a terceira com cerca de 60 %. A moda dessa densidade é 3,5, a média é 5,075 e a mediana 5,27. 23
24 3.1 Problema de Decisão i) Espaço do parâmetro ou estados da natureza - Θ ii) Espaço dos resultados possíveis de um experimento - Ω iii) Espaco das ações possíveis - A Regra de decisão: δ : Ω A Perda: L(δ, θ): Θ A R + Def.: O risco a posteriori é definido por R(δ) = E θ x [L(δ, θ)] Def.: Uma regra de decisão δ é ótima R(δ ) < R(δ), δ 24
25 3.2 Estimação Estimador é a regra de decisão ótima O seu valor observado é denominado estimativa Perda Absoluta 0, se θ δ < ε Lema 1 Seja L 1 (δ, θ) = ε > 0. O estimador de θ é δ 1 = moda(θ), a moda da distribuição atualizada 1, se θ δ ε de θ ou EMVG. Perda Quadrática Lema 2 Seja L 2 (δ, θ) = (δ θ) 2 a perda associada à estimação de θ por δ. O estimador de θ é δ 2 = E(θ), a média da distribuição atualizada de θ. 25
26 Perda Zero-Um Lema 3 Seja agora L 3 (δ, θ) = δ θ. O estimador de θ é δ 3 = med(θ), a mediana da distribuição atualizada de θ. Figure 4: Perdas: quadrática, ; absoluta, ; 0-1,. 26
27 Estimação por intervalos Definição C é um intervalo de confiança Bayesiano ou intervalo de credibilidade de 100(1 α)% para θ se P (θ C) 1 α. Exemplo: Seja X = (X 1,..., X n ) uma amostra da N(θ, σ 2 ) com σ 2 conhecido. p(θ) cte { l(θ; x) exp n } 2σ 2(θ x)2 Logo p(θ x) l(θ; x)p(θ) l(θ; x) Assim θ x N(x, σ2 n ) ou n(θ x)/σ x N(0, 1) (i) ( ) n(θ x) P z α x = 1 α σ σ θ z α n + x com probabilidade 1 α 27
28 Intervalo C=(, x + z α σ/ n ] cujo comprimento é infinito. (ii) Sejam z β e z γ tais que: ( n(θ x) P z β σ ) z γ x = 1 α. Usando a simetria da normal tem-se: Φ( z β ) = P (X z β ) = P (X z β ) = 1 P (X < z β ) = β e a probabilidade do intervalo acima é dada por Φ(z γ ) Φ( z β ) = 1 (γ + β) e portanto γ + β = α. O IC 100(1 α)% será z β (θ x) n σ z γ σ n z β + x θ z γ σ n + x Então C = [x n σ ] σ z β, x + z γ n é IC 100(1 α)% para θ. 28
29 Figure 5: Densidade da distribuição normal padronizada. O comprimento de C é (z γ + z β )σ/ n Permanece ainda a questão de como minimizar este comprimento. Considere que z γ < z α/2 < z β e defina a = z α/2 z γ > 0, b = z β z α/2 > 0 e A e B como as áreas compreendidas entre z β e z α/2 e entre z α/2 e z γ O comprimento do intervalo acima é 2z α/2 + b a mas A = B Temos que b > a Logo, o IC de extremos simétricos z α/2 e z α2 é o de menor comprimento A região de credibilidade de menor comprimento é aquela que contém os valores mais prováveis de θ dado x 29
30 Def.: Um IC 100(1 α)% de MDP para θ é o IC 100(1 α)% da forma C = {θ Θ : p(θ x) k(α)} onde k(α) é a maior constante tal que P (θ C x) 1 α. Figure 6: O intervalo de confiança de MDP é dado por C 1 C 2. 30
31 4. INFERÊNCIA PREDITIVA Queremos prever Y cuja descrição probabilística é P (Y θ), que pode independer de X p(y x) = Θ p(y, θ x)dθ = Θ p(y θ, x)p(θ x)dθ = Θ p(y θ)p(θ x)dθ = E θ x[p(y θ)] Exemplo Questão : qual a probabilidade do 13 o filho ser do sexo M? Dados : MMFMMMMFMMMF, M-masculino/F-feminino P r[x 13 = 1 (9, 3)] onde (9, 3) denota o número de filhos do sexo M/F. P r[x 13 = 1 (9, 3)] = 1 0 P [X 13 = 1, θ (9, 3)] dθ = 1 0 P [X 13 = 1 θ, (9, 3)] p(θ (9, 3)) dθ = 1 0 θ p(θ (9, 3)) dθ = E[θ (9, 3)] Distribuição a Priori 31
32 p(θ) = k θ a 1 (1 θ) b 1 0 θ 1, (a, b > 0) p(θ (9, 3)) = p((9,3) θ) p(θ) p((9,3)) θ 3 (1 θ) 9 θ a 1 (1 θ) b 1, θ 3+a 1 (1 θ) 9+b 1 P r[x 13 = 1 (9, 3)] = E[θ (r, s)] = a + 3 a + b + 12 Qual o valor de a and b? Opinião inicial de que as chances de M e F são simétricas e concentradas em 0.5. Escolhemos a família das betas com a = b = 2 Ie.: E(θ) = 0.5, P (0.4 < θ < 0.6) = 0.3 e probabilidade 13 o filho ser M será 11/16=
p(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
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 maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisBAYESIANA RICARDO S. EHLERS. Departamento de Estatística Universidade Federal do Paraná
INTRODUÇÃO À INFERÊNCIA BAYESIANA RICARDO S. EHLERS Departamento de Estatística Universidade Federal do Paraná Primeira publicação em 2002 Segunda edição publicada em 2004 Terceira edição publicada em
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia 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 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 maisInferência Bayesiana - Aula 3 -
Inferência Bayesiana - Aula 3 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística Os problemas de estimação e teste de hipóteses podem ser vistos como problemas de decisão.
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 maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia 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 maisSolução dos Exercícios - Capítulos 1 a 3
Capítulo 9 Solução dos Exercícios - Capítulos a 3 9. Capítulo. a Como o valor se refere aos pacientes estudados, e não a todos os pacientes, esse é o valor de uma estatística amostral. b Estatística amostral
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 maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia 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 maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisINFERÊNCIA BAYESIANA RICARDO S. EHLERS
INFERÊNCIA BAYESIANA RICARDO S. EHLERS Primeira publicaç ao em 2002 Segunda edição publicada em 2004 Terceira edição publicada em 2005 Quarta edição publicada em 2006 Quinta edição publicada em 2007 RICARDO
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia 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 maisACH4513 INFERÊNCIA ESTATÍSTICA. 2º Sem/2017. Estimação. Prof. Marcelo S. Lauretto
ACH4513 INFERÊNCIA ESTATÍSTICA 2º Sem/2017 Estimação Prof. Marcelo S. Lauretto marcelolauretto@usp.br www.each.usp.br/lauretto Referência: W.O.Bussab, P.A.Morettin. Estatística Básica, 6ª Edição. São Paulo:
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisInfluencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
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 maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
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 maisDeterminação do tamanho amostral: uma abordagem genuinamente Bayesiana
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, 66610-190,
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia mais03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica
Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisEstimação Frequentista e Bayesiana
ACH5005 Simulação de Sistemas Complexos II 2º Sem/2018 Estimação Frequentista e Bayesiana Prof. Marcelo S. Lauretto marcelolauretto@usp.br www.each.usp.br/lauretto 1 1. Estimação: Introdução A Inferência
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Distribuições Discretas de Probabilidade Prof. Narciso Gonçalves da Silva www.pessoal.utfpr.edu.br/ngsilva Introdução Distribuições Discretas de Probabilidade Muitas variáveis
Leia maisEST012 - Estatística Econômica I Turma A - 1 o Semestre de 2019 Lista de Exercícios 3 - Variável aleatória
Exercício 1. Considere uma urna em que temos 4 bolas brancas e 6 bolas pretas. Vamos retirar, ao acaso, 3 bolas, uma após a outra e sem reposição. Sejam X: o número de bolas brancas e Y : o número de bolas
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 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 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 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 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 maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisAnálise Bayesiana de Dados - Aplicações 1 -
Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
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 maisEstatística Bayesiana EST047
Estatística Bayesiana EST047 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Conceitos iniciais; Distribuições condicionais Conceitos iniciais Questão Como incorporar
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 maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Probabilidades. Cristian Villegas
Probabilidades Cristian Villegas clobos@usp.br Setembro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução Escola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
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 maisINFERÊNCIA ESTATÍSTICA. ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p
INFERÊNCIA ESTATÍSTICA ESTIMAÇÃO PARA A PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir
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 maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística 2 (ET593) Fases de uma Análise Estatística
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística 2 (ET593) Fases de uma Análise Estatística Dados Organização Estatística Descritiva Interpretação Os Dados vêm da amostra
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia maisMétodos Quantitativos para Ciência da Computação Experimental
Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Leia maisCONHECIMENTOS ESPECÍFICOS
Julgue os itens a seguir, considerando dois eventos A e B, de um mesmo espaço amostral S, tais que P(A) > 0 e P(B) > 0. 51 Se P(A) 0,60 e P(B) 0,80, então P(AB) $ 0,40. ( AB) ( AB) P 1 P 52. 53 Se A e
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia maisProf. Eduardo Bezerra. 6 de abril de 2018
Distribuições Amostrais Prof. Eduardo Bezerra Inferência Estatística 6 de abril de 2018 Eduardo Bezerra (CEFET/RJ) Distribuições Amostrais 1 / 19 Roteiro 1 2 3 Eduardo Bezerra (CEFET/RJ) Distribuições
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
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 maisEstatística Aplicada II. } Estimação e Intervalos de Confiança
Estatística Aplicada II } Estimação e Intervalos de Confiança 1 Aula de hoje } Tópicos } Revisão } Estimação } Intervalos de Confiança } Referências } Barrow, M. Estatística para economia, contabilidade
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
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 maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisProbabilidade e Estatística
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Inferência Estatística stica e Distribuições Amostrais Inferência Estatística stica O objetivo
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisInferência para CS Tópico 10 - Princípios de Estimação Pontual
Inferência para CS Tópico 10 - Princípios de Estimação Pontual Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Leia maisACH2053 INTRODUÇÃO À ESTATÍSTICA. 1º Sem/2018. Estimação. Prof. Marcelo S. Lauretto
ACH2053 INTRODUÇÃO À ESTATÍSTICA 1º Sem/2018 Estimação Prof. Marcelo S. Lauretto marcelolauretto@usp.br www.each.usp.br/lauretto Referência: W.O.Bussab, P.A.Morettin. Estatística Básica, 6ª Edição. São
Leia maisCE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia maisConceitos Básicos e Algumas Aplicações. Prof. Fábio N. Demarqui 2012/01
Inferência Bayesiana Conceitos Básicos e Algumas Aplicações Prof. Fábio N. Demarqui 2012/01 Sumário Background Breve histórico Problema fundamental da estatística Inferência Clásslica ou frequentista Paradigma
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisInferência estatística
Inferência estatística Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Inferência estatística Obtenção de conclusões sobre propriedades da população a partir das propriedades de uma amostra aleatória
Leia maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
Leia maisInventário Florestal. Amostragem
Inventário Florestal Amostragem 1 Definição: Seleção de uma parte (amostra) de um todo (população), coletando na parte selecionada, algumas informações de interesse, com o objetivo de tirar conclusão (inferência)
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
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 maisLista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL.
Introdução à Inferência Estatística Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 5 de setembro de 004 Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL. 1 Medidas Resumo DISTRIBUIÇÕES
Leia maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
Leia mais