MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
|
|
- Orlando Ferretti Canto
- 6 Há anos
- Visualizações:
Transcrição
1 MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462, Recife PE, Fernando Menezes Campello de Souza UFPE Cx. Postal 7462, Recife PE, RESUMO Este artigo apresenta uma modelagem de um problema de decisão no mercado financeiro onde deseja-se escolher um portfolio de investimentos de forma a minimizar o risco, utilizando indicadores econômicos para predizer investimentos futuros baseado em dados históricos. O modelo de decisão é baseado na teoria da decisão e análise bayesiana caracterizado por sua estrutura matemática. Em seguida é apresentado um estudo de caso no mercado financeiro brasileiro considerando dados de Janeiro de 1998 a Junho de PALAVRAS CHAVE. Análise de Investimentos. Teoria da Decisão. Análise Bayesiana. Economia e Finanças ABSTRACT This work presents one approach for financial market through a decision theory point of view, where the main decision is to choose based on economic indexes (to predict future investments based in historical data) that investment portfolio which minimizes the risk involved. The decision model is based on Decision Theory and Bayesian Analysis and the following application uses financial market data from the period of January of 1998 to June of 2005 as information for the decision model and Bayesian Analysis. KEYWORDS. Investment Analysis. Decision Theory. Bayesian Analysis. Economics and Finance. [ 651 ]
2 1. Introdução Diante do cenário financeiro, podemos perceber diversas oscilações das aplicações devido a vários movimentos macroeconômicos, tais como ataques terroristas, eleições presidenciais, decisões políticas e outros. Em virtude da complexidade envolvida nas decisões sobre investimentos se faz necessária a construção de um modelo que auxilie o investidor a entender melhor o problema, para obter mais informação sobre os riscos envolvidos em suas decisões econômicas. Este trabalho traz uma contribuição a luz da teoria da decisão, uma abordagem com algumas distinções do trabalho de Bezerra (2003b). 2. Modelo de Decisão para Escolha de Portfolio de Investimentos O modelo de decisão desenvolvido neste trabalho é baseado na teoria de decisão, uma teoria que permite modelar o comportamento racional do decisor em situações de incerteza, onde o problema pode ser tratado através de uma abordagem probabilística adequada. A estrutura matemática da teoria da decisão pode ser encontrada em CAMPELLO DE SOUZA (2002). 2.1 O Espaço das Ações Num problema de portfolio é comum o investidor ter um capital fixo e decidir sobre que percentual deste capital investir em um conjunto de aplicações (ativos financeiros). Neste trabalho o espaço de ações consiste de um vetor dos percentuais das aplicações a investir. Para n aplicações o espaço de ações pode ser representado por : n A = {a 1, a 2,..., a n } e a = 1 (1) i= 1 i Supondo que o investidor deseja aplicar seu capital em três tipos de ativos, BOVESPA, DOWN JONES e NASDAQ. Este espaço será denotado por A = {a 1, a 2, a 3 } e a 1 + a 2 + a 3 = 1. A Figura 1 apresenta a representação gráfica do espaço de ações em três dimensões. O investidor deverá escolher um ponto deste plano que corresponde aos percentuais que se vai investir nas aplicações financeiras, a 1, a 2 e a 3. Figura 1 Espaço de Ações Caso o investidor estabeleça que em certas situações possa não investir uma parte do montante do capital, basta ele estabelecer uma aplicação que represente o não investimento. Desta forma tem-se uma maneira mais genérica de tratar o problema, uma recomendação quando existe um risco elevado em investir nas demais ações, onde talvez reservar uma quantia para não investir seja a melhor solução. O espaço de ações possui n-1 graus de liberdade, devido a restrição de que a soma dos percentuais das aplicações deve ser igual a um. [ 652 ]
3 2.2 O Espaço dos Bens O espaço dos bens deste problema de decisão é o retorno do capital investido. Seja r t o retorno da ação no período t, V t o valor da aplicação no período t, tem-se Vt Vt 1 r t = (2) V t 1 Seja R t, o retorno acumulado para t períodos sucessores, tem-se t R t = ( 1+ r i ) (3) i= 1 Como para cada aplicação temos um retorno diferente, o retorno acumulado é um vetor com um elemento para cada aplicação, assim tem-se R = {R t1, R t2,..., R tn } O cálculo do espaço dos bens é obtido através do retorno acumulado de t períodos sucessores a data do investimento, multiplicando-se pelo valor aplicado. Seja M o montante de capital a investir, o valor do bem é obtido pela seguinte equação: n P = M ( a i R ti ) (4) i= Os Estados da Natureza O espaço dos estados da natureza é representado pelo vetor dos retornos dos índices acumulados em que se vai investir nos próximos t períodos, ou seja, não se sabe quais os retornos acumulados futuros. A incerteza presente neste elemento é o que fundamenta o desenvolvimento do modelo de decisão. Para viabilizar o cálculo das distribuições de probabilidade sobre este elemento este espaço pode ser tratado como discreto destacando apenas se houve retorno ou não, assumindo valores um ou zero respectivamente. θ = { θ θ,..., } (5) 1, 2 θ n É importante destacar a diferença existente entre o espaço dos estados da natureza, θ, e o espaço dos bens, P. Sabe-se que o mercado irá definir os estados da natureza e o investidor através da sua decisão obterá um determinado retorno, ou seja, θ será representado por um vetor de tamanho n e P será um valor obtido pelo produto interno entre o vetor dos percentuais das aplicações, A, e os retornos dessas aplicações, R, para um determinado horizonte de tempo. 2.4 O Conjunto das Observações O espaço de observações pode ser baseado em um vetor de indicadores econômicos como, por exemplo, o produto interno bruto, a taxa de juros, a inflação e outros. Seja k o número de indicadores que se deseja observar, tem-se X = { x x,..., } (6) 1, 2 x k Este espaço também pode ser tratado como discreto da mesma forma que os estados da natureza. [ 653 ]
4 2.5 A Função conseqüência A função conseqüência é um mecanismo probabilístico que visa estimar a probabilidade de obter-se o bem P dado que foi tomada uma determinada decisão e ocorreu certo estado da natureza. Baseado no teorema central do limite, pode-se assumir por hipótese que os retornos acumulados seguem uma distribuição normal condicionado para cada estado da natureza, seja μ θ i e σ θ i respectivamente a média e o desvio padrão estimados para cada aplicação i condicionados ao estado da natureza θ, logo a função conseqüência: n P( p θ, a) = a Normal( p, μ θ, σ ) (7) i= 1 i i θ i onde 2 ( p μ ) 1 2 2σ Normal ( p, μ, σ ) = e (8) σ 2π Para o caso com três aplicações teríamos uma distribuição normal para cada variável aleatória, retorno da aplicação, condicionada a um determinado estado da natureza. Um exemplo na Figura 2 percebe-se que a função conseqüência será obtida através de uma média ponderada das densidades de probabilidades pelos percentuais a investir nas aplicações financeiras. Figura 2 Distribuições Normais para Função Conseqüência, P(p θ,a) 2.6 A Distribuição a priori sobre os estados da natureza A distribuição a priori sobre os estados da natureza, π(θ), pode ser estimada diretamente a partir da freqüência relativa da série histórica do retorno acumulado dos índices, como também pode se obter através do uso do conhecimento de um especialista. 2.7 A Função de verossimilhança A função de verossimilhança, P(x θ) caracteriza a probabilidade de se acontecer determinada observação dado que um estado da natureza se concretizará em m períodos seguintes. Esta função representa o canal de comunicação das observações com a natureza e pode ser obtida a partir do histórico dos dados associando de forma apropriada as observações com os estados da natureza. Assumindo que as observações e os estados da natureza estejam definidos como discretos, esta função será uma matriz de dimensão (k x n), onde k é o número de observações e n o número de estados da natureza. [ 654 ]
5 2.8 As Regras de Decisão A utilização de regras de decisão neste problema de decisão pode ser inviável devido a possível grande quantidade de regras necessárias para analisar o problema, recomenda-se o uso do método extensivo, onde para cada observação tem-se uma recomendação de ação. 2.9 A Função Utilidade A função utilidade mede a valoração que o decisor atribui sobre o retorno acumulado da sua carteira de investimentos em um determinado período, isto é, mede-se a utilidade sobre os bens. Esta função pode assumir diferentes formatos para investidores diferentes, e para o mesmo investidor em períodos diferentes. Através desta função pode se observar se o investidor é avesso, propenso ou neutro ao risco. A função utilidade é denotada por U(p). Métodos de edução da função utilidade podem ser encontrados em CAMPELLO DE SOUZA (2002). Segundo Bezerra (2003a) utilizando o método de Markowitz para decidir o portfolio em que se deve investir, não se considera o risco sistemático. O uso da função utilidade com a teoria da decisão permitirá considerar este risco. Maiores detalhes sobre o método de seleção de portfolio de Markowitz pode ser encontrado em MARKOWITZ(1952) e RUBINSTEIN(2002) A Função Perda A função perda, representa o prejuízo associado a uma tomada de decisão e a ocorrência de um estado da natureza, é medida pelo negativo da utilidade esperada e é denotada por L(θ,a). Assim tem-se: L( θ, a) = U ( p) P( p θ, a) dp (9) p 2.10 O Risco de Bayes O risco de uma ação dado que foi observado x será obtido por r a ( x) = L( θ, a) P( x θ ) π ( θ ) (10) θ A ação a ser escolhida é aquela que minimiza r a (x) para uma determinada observação Visão Geral do Modelo Através da Figura 3 podemos visualizar todos os elementos do modelo de decisão e suas interações. [ 655 ]
6 Figura 3 Visão Geral do Modelo de Decisão 3. Estudo de Caso Baseado em dados reais obtidos sobre indicadores do mercado financeiro e índice de ativos do período de Janeiro de 1998 a Junho de 2005, deseja-se decidir sobre quanto investir nos ativos BOVESPA, DOWN JONES e NASDAQ, nos próximos seis meses. 3.1 O Espaço das Ações Foram selecionados 7 pontos do espaço de ações, estes valores podem ser visualizados na Tabela O Espaço dos Bens Espaço de ações a 1 a 2 A 3 A A A A 3 1/3 1/3 1/3 A 4 1/2 1/4 ¼ A 5 1/4 1/2 ¼ A 6 1/4 1/4 ½ Tabela 1 Espaço de ações Assumindo que o investidor aplicará uma quantia de R$ ,00, e o retorno acumulado dos próximos seis meses pertencerá a faixa dos limites das distribuições normais da função conseqüência, de modo que a integral obtenha um valor próximo da unidade para este intervalo, os limites encontrados foram [0.4; 2], logo o intervalo dos bens é P = [ ,00; ,00]. A Tabela 2 apresenta a estatística descritiva dos retornos acumulado em seis meses das aplicações BOVESPA, DOWN JONES E NASDAQ. [ 656 ]
7 Retorno Acumulado N Média Desvio Padrão Mínimo Máximo R t1 83 1, , , , R t2 83 1, , , , R t3 83 1, , , , Os Estados da Natureza Tabela 2 Estatística Descritiva dos Retornos Acumulados Tomando o conjunto do retorno acumulado discreto, para cada série, onde atribui-se valores iguais a um, caso o retorno acumulado para o período de seis meses seguintes seja maior que um, e zero em caso contrário. Como temos três séries, o conjunto dos elementos do estado da natureza será um vetor com três coordenadas onde cada coordenada é apresentada de forma dicotomizada, θ = θ 1 x θ 2 x θ 3, mas para facilitar a manipulação dos dados, este conjunto será representado por um conjunto de oito elementos, onde θ 0 =[0,0,0]; θ 1 =[0,0,1]; θ 2 =[0,1,0]; θ 3 =[0,1,1]; θ 4 =[1,0,0]; θ 5 =[1,0,1]; θ 6 =[1,1,0]; θ 7 =[1,1,1]; Através da Tabela 3 podemos visualizar a distribuição de freqüência dos estados da natureza, destaca-se os maiores percentuais ao primeiro e último estado, que representam retorno menor e maior do que um nas três aplicações respectivamente. Tabela de Freqüência Quantidade Percentual θ ,91566 θ 1 1 1,20482 θ 2 4 4,81928 θ 3 4 4,81928 θ 4 7 8,43373 θ 5 5 6,02410 θ 6 8 9,63855 θ ,14458 Tabela 3 Tabela de freqüência dos estados da natureza Na Figura 4 observa-se o histograma das freqüências dos estados da natureza e a dispersão destes estados ao longo do tempo. Figura 4 Histograma e Diagrama de Dispersão dos Estados da Natureza [ 657 ]
8 3.4 O Conjunto das Observações O conjunto das observações foi definido pelos indicadores X = {x 0, x 1, x 2, x 3, x 4 }, segue as definições dos indicadores abaixo: x 0 assume o valor de 1 se o PIB do Brasil tiver uma variação positiva e 0 nos casos contrários; x 1 assume o valor de 1 se a taxa de juros do Brasil tiver uma variação negativa e 0 nos casos contrários; x 2 assume o valor de 1 se a taxa de inflação do Brasil tiver uma variação negativa e 0 nos casos contrários; x 3 assume o valor de 1 se a taxa de juros nos Estados Unidos tiver uma variação negativa e 0 nos casos contrários; x 4 assume o valor de 1 se a taxa de inflação nos Estados Unidos tiver uma variação negativa e 0 nos casos contrários; A combinação destes indicadores retorna 32 possíveis tipos de observações, o histograma das freqüências das observações e a dispersão deste elemento ao longo do tempo é apresentado na Figura 5. As observações 2,7,11,14,15,19,21,26,27,29 não teve ocorrências e foram excluídas da análise. 3.5 A Função Conseqüência Figura 5 Histograma e Diagrama de Dispersão das Observações Para estimação da função conseqüência, baseado na hipótese de normalidade dos retornos acumulados, os valores das médias e desvios padrão foram estimados para cada estado da natureza, como mostra a Tabela 4, e os gráficos destas distribuições na Figura 6. Função Conseqüência μ 1 σ 1 μ 2 σ 2 μ 3 σ 3 θ 0 0, , , , , ,13494 θ 1 0, , , , , , θ 2 0, , , , , , θ 3 0, , , , , , θ 4 1, , , , , , θ 5 1, , , , , , θ 6 1, , , , , , θ 7 1, , , , , , Tabela 4 Estimativa das médias e desvios padrão do retorno acumulado para cada ativo [ 658 ]
9 Figura 6 Distribuições Normais para Função Conseqüência, P(p θ,a) 3.6 A Distribuição a Priori sobre os Estados da Natureza A distribuição a priori foi obtida pela freqüência relativa dos estados da natureza no período de Janeiro de 1998 a Junho de A Tabela 5 mostra os valores estimados. 3.7 A Função de Verossimilhança Distribuição a Priori π(θ) θ 0 28,92% θ 1 1,20% θ 2 4,82% θ 3 4,82% θ 4 8,43% θ 5 6,02% θ 6 9,64% θ 7 36,14% Tabela 5 Distribuição a Priori A função de verossimilhança foi obtida pela freqüência relativa das ocorrências passadas associando os estados da natureza com as observações. A Tabela 6 mostra os valores estimados. As células vazias representam valor igual a zero. X 0 X 1 X 3 X 4 X 5 X 6 X 8 X 9 X 10 X 12 X 13 θ 0 0,042 0,042 0,083 0,125 0,292 θ 1 θ 2 0,250 0,250 θ 3 0,250 0,250 θ 4 0,143 0,143 0,286 0,143 θ 5 0,400 θ 6 0,125 0,125 0,125 0,125 θ 7 0,100 0,067 0,033 0,133 0,033 0,033 0,133 0,033 [ 659 ]
10 X 16 X 17 X 18 X 20 X 22 X 23 X 24 X 25 X 28 X 30 X 31 θ 0 0,042 0,083 0,125 0,042 0,042 0,042 0,042 θ 1 1,000 θ 2 0,250 0,250 θ 3 0,250 0,250 θ 4 0,143 0,143 θ 5 0,200 0,200 0,200 θ 6 0,250 0,250 θ 7 0,133 0,033 0,033 0,033 0,033 0,067 0,033 0,067 Tabela 6 Função de Verossimilhança 3.8 A Função Utilidade A função utilidade adotada neste estudo de caso é a linear, parametrizada segundo os limites do espaço dos bens [0.4; 2], de modo que a escala de utilidade seja [0; 1]. 0.4 U ( p) = p (11) 3.9 A Função Perda e o Risco de Bayes A função perda está definida em (9) e o risco de Bayes em (10) e como resultados temos: A 0 A 1 A 2 A 3 A 4 A 5 A 6 x 0-0,0255-0,0190-0,0222-0,0222-0,0230-0,0214-0,0222 x 1-0,0032-0,0039-0,0032-0,0034-0,0033-0,0035-0,0033 x 3-0,0053-0,0048-0,0036-0,0046-0,0048-0,0046-0,0043 x 4-0,0265-0,0222-0,0223-0,0237-0,0244-0,0233-0,0233 x 5-0,0075-0,0055-0,0066-0,0065-0,0068-0,0063-0,0066 x 6-0,0116-0,0125-0,0098-0,0113-0,0114-0,0116-0,0109 x 8-0,0550-0,0517-0,0533-0,0533-0,0538-0,0529-0,0533 x 9-0,0075-0,0055-0,0066-0,0065-0,0068-0,0063-0,0066 x 10-0,0075-0,0055-0,0066-0,0065-0,0068-0,0063-0,0066 x 12-0,0777-0,0733-0,0757-0,0756-0,0761-0,0750-0,0756 x 13-0,0128-0,0103-0,0102-0,0111-0,0115-0,0109-0,0109 x 16-0,0408-0,0318-0,0339-0,0355-0,0368-0,0346-0,0351 x 17-0,0032-0,0039-0,0032-0,0034-0,0033-0,0035-0,0033 x 18-0,0202-0,0175-0,0189-0,0188-0,0192-0,0185-0,0188 x 19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 x 20-0,0233-0,0213-0,0220-0,0222-0,0225-0,0220-0,0222 x 21 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 x 22-0,0075-0,0055-0,0066-0,0065-0,0068-0,0063-0,0066 x 23-0,0107-0,0094-0,0098-0,0099-0,0101-0,0098-0,0099 x 24-0,0328-0,0280-0,0258-0,0289-0,0299-0,0287-0,0281 x 25-0,0205-0,0223-0,0244-0,0224-0,0219-0,0224-0,0229 x 28-0,0179-0,0190-0,0212-0,0194-0,0190-0,0193-0,0198 x 30-0,0184-0,0150-0,0166-0,0167-0,0171-0,0163-0,0167 x 31-0,0042-0,0048-0,0031-0,0040-0,0041-0,0042-0,0038 Tabela 7 Risco de Bayes [ 660 ]
11 Como resultado do modelo todo o capital deve ser aplicado em BOVESPA para a maioria das observações, X={x 0, x 3, x 4, x 5, x 8, x 9, x 10, x 12, x 13, x 16, x 18, x 20, x 22, x 23, x 24, x 30 }. Investir em DOWN JONES quando X = {x 1, x 6, x 17, x 31 } e NASDAQ para X= {x 25, x 28 }. 4. Conclusões Podemos concluir que o modelo é bastante apropriado para utilização no mercado financeiro, as distribuições de probabilidade podem ser atualizadas e serão incorporadas pelo modelo para futuras decisões. Surpreendentemente as ações que eram compostas por mais de uma aplicação não foram recomendadas pelo modelo, acredita-se que isto ocorre em virtude do risco de Bayes ser baseado no valor esperado da perda, talvez um novo elemento de variância das aplicações possa ser incorporado ao modelo para satisfazer esta necessidade. 5. Referências. Bezerra, D. C. (2003a). Carteira de Investimento Usando Teoria da Decisão. Dissertação de Mestrado. Programa de Pós-Graduação em Engenharia da Produção - Universidade Federal de Pernambuco. Bezerra, D. C. (2003b). Escolha no Mercado Financeiro Usando Teoria da Decisão. XXXV SBPO, Natal-RN. Campello de Souza, F. M. (2002). Decisões Racionais em Situações de Incerteza. Editora Universitária da UFPE, ISBN: Markowitz, H. (1952) Portfolio Selection. The Journal of Finance, Vol 7, No. 1. pp Rubinstein, M. (2002) Markowitz s "Portfolio Selection": A Fifity-Year Retrospective. The Journal of Finance, Vol LVII, No. 3, pp [ 661 ]
ESCOLHA NO MERCADO FINANCEIRO USANDO TEORIA DA DECISÃO
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN ESCOLHA NO MERCADO FINANCEIRO USANDO TEORIA DA DECISÃO Diogo de Carvalho Bezerra UFPE - Universidade Federal de Pe. Cidade
Leia maisUm Modelo de Decisão para o Gerenciamento de Ativos na Indústria Sucroalcooleira
Um Modelo de Decisão para o Gerenciamento de Ativos na Indústria Sucroalcooleira Thárcylla Rebecca Negreiros Clemente UFPE Caixa Postal, 7471, Recife-PE, 50.630-971. thnegreiros@ymail.com Adiel Teixeira
Leia maisDecisões de Financiamentos e Estrutura de Capital. Professor: Francisco Tavares
Decisões de Financiamentos e Estrutura de Capital Professor: Francisco Tavares RISCO E RETORNO Definição de risco Em administração e finanças, risco é a possibilidade de perda financeira. Os ativos (reais
Leia mais3. Otimização sob Incerteza
3. Otimização sob Incerteza Os problemas de otimização tentam resolver, de forma eficiente, situações do mundo real por meio de modelos matemáticos que utilizam parâmetros incertos. Pode-se encontrar na
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 maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia mais1 O que é Teoria da Decisão?
Universidade Federal do Paraná Departamento de Estatística Graduação em Estatística Introdução a Teoria da Decisão Prof. Thaís Fonseca 1 O que é Teoria da Decisão? 1.1 Introdução Teoria da decisão, como
Leia maisANÁLISE DE DECISÃO ENVOLVENDO AQUISIÇÃO OU MODIFICAÇÃO DE MÁQUINA NA INDÚSTRIA DE PEÇAS AUTOMOTIVA
ANÁLISE DE DECISÃO ENVOLVENDO AQUISIÇÃO OU MODIFICAÇÃO DE MÁQUINA NA INDÚSTRIA DE PEÇAS AUTOMOTIVA Lara Calado TCA Tecnologia de Componentes Automotivos S. A. e PPGEP/UFPE Via Prestes Maia km86, 2 BR102
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 maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
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 maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
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 mais5. Formulação Matemática do Modelo
5. Formulação Matemática do Modelo 5.1. Descrição do Problema O problema do gerenciamento de ativos e passivos de um investidor comum pode ser representado por um modelo complexo de programação linear
Leia maisAGA Análise de Dados em Astronomia I. 1. Introdução
1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que
Leia maisExcel INTERMEDIÁRIO Estatística. Prof. Cassiano Isler Turma 3
Excel INTERMEDIÁRIO Prof. Cassiano Isler 2017.1 - Turma 3 s s Prof. Cassiano Isler Excel INTERMEDIÁRIO - Aula 4 2 / 29 s COSTA NETO, P. L. O.. 2. ed. São Paulo: Edgard Blücher (2002). GÓMEZ, Luis Alberto.
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
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 maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
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 mais5 Decisão Sob Incerteza
5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisSistema de Apoio a Tomada de Decisão no Planejamento Estratégico: O Caso do Aeroporto Industrial
Sistema de Apoio a Tomada de Decisão no Planejamento Estratégico: O Caso do Aeroporto Industrial Marcílio Cunha, MSc. Faculdade Boa Viagem, FBV Professor do Curso de Engenharia de Produção email: marciliocunha@marciliocunha.com.br
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
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 maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
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 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 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 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 maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
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 maisEstatística Aplicada
Estatística Aplicada Variável Aleatória Contínua e Distribuição Contínua da Probabilidade Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
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 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 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 maisMAE0524: Análise Bayesiana de Dados
MAE0524: Análise Bayesiana de Dados Aula 4: Introdução ao Pensamento Bayesiano Gualberto Segundo Agamez Montalvo Instituto de Matemática e Estatística - USP 25 de fevereiro de 2016 G.S. Agamez Montalvo
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
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 maisUma estatística é uma característica da amostra. Ou seja, se
Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
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 maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
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 maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
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 maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
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 maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
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 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 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 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 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 maisRisco de Portfólios em Múltiplas Frequências
Risco de Portfólios em Múltiplas Frequências Joana Ramos FCUP 25 de Janeiro de 2013 Joana Ramos (FCUP) Risco de Portfólios em Múltiplas Frequências 25 de Janeiro de 2013 1 / 26 Abstract Portfolio risk
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
Leia maisUMA INTRODUÇÃO AOS CONCEITOS DE GESTÃO ABSOLUTA E RELATIVA DE INVESTIMENTOS. Ney Roberto Ottoni de Brito
UMA INTRODUÇÃO AOS CONCEITOS DE GESTÃO ABSOLUTA E RELATIVA DE INVESTIMENTOS Ney Roberto Ottoni de Brito Junho 2005 I. INTRODUÇÃO Este trabalho objetiva apresentar os conceitos de gestão absoluta e de gestão
Leia maisMétodos de Estimação. Roteiro. 1. Three-point Estimation 2. Julgamento de Especialistas 3. Referências. Three-Point Estimation
Métodos de Estimação Roteiro 1. Three-point Estimation. Julgamento de Especialistas 3. Referências Three-Point Estimation 1 Three-Point Estimation Pert original: A duração da atividade segue uma distribuição
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 maisOpções Reais. Modelagem do Ativo Básico. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos. IAG PUC-Rio
Opções Reais Modelagem do Ativo Básico Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Processos Estocásticos Modelando Incerteza Processos Estocásticos A incerteza em um projeto pode ter mais do
Leia maisINSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E tecnologia PARAÍBA. Ministério da Educação
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E tecnologia PARAÍBA Ministério da Educação Instituto Federal de Educação, Ciência e Tecnologia da Paraíba - Campus Cajazeiras Diretoria de Ensino / Coord. do Curso
Leia maisTeoria de decisão Bayesiana e clássica: determinação de preços
Teoria de decisão Bayesiana e clássica: determinação de preços Mário Hissamitsu Tarumoto 1 Luan Cauê Cherubini 2 Olga L.Anglas R.Tarumoto 1 1 Introdução A teoria da decisão é uma abordagem sistemática
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisBIE5781 Aula 2. Variáveis Aleatórias Discretas
BIE5781 Aula 2 Variáveis Aleatórias Discretas Variável Aleatória SUCESSOS COMBINAÇÕES POSSÍVEIS P 0 1/4 1 ou 2/4 2 1/4 Funções de Probabilidade J.L.B. Ferreira, 2006 f x =P X =x i 0.6 0.5 0.4 P 0.3 0.2
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 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 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 maisCarteiras de Variância Mínima no Brasil
no Brasil Itaú-Unibanco Abril de 2012 no Brasil Agenda Conceitos básicos em Finanças 1 Conceitos básicos em Finanças 2 3 4 5 no Brasil Seleção de carteiras de investimento Suponha N ativos de risco, com
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia maisp(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 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 mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Condicionais 11/13 1 / 19 Em estudo feito em sala perguntamos aos alunos qual
Leia maisMÉTODOS QUANTITATIVOS APLICADOS. Prof. Danilo Monte-Mor
MÉTODOS QUANTITATIVOS APLICADOS Prof. Danilo Monte-Mor Métodos Quantitativos Aulas 1 e 2 Análise Exploratória de Dados 2 Danilo Soares Monte Mor Currículum Vitae Prof. Dr. e especialista em Métodos Quantitativos
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 maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisCombinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia maisClassificadores. André Tavares da Silva.
Classificadores André Tavares da Silva andre.silva@udesc.br Reconhecimento de padrões (etapas) Obtenção dos dados (imagens, vídeos, sinais) Pré-processamento Segmentação Extração de características Obs.:
Leia maisProbabilidade, distribuição normal e uso de tabelas padronizadas. Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais
Probabilidade, distribuição normal e uso de tabelas padronizadas Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais O que é probabilidade? Perspectiva de que algo venha a ocorrer. Número
Leia maisAULA 1 - Modelos determinísticos vs Probabiĺısticos
AULA 1 - Modelos determinísticos vs Probabiĺısticos Susan Schommer Econometria I - IE/UFRJ O que é Econometria? Aplicação de métodos estatísticos e matemáticos para analisar os dados econômicos, com o
Leia maisProbabilidade, distribuição normal e uso de tabelas padronizadas
Probabilidade, distribuição normal e uso de tabelas padronizadas Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais O que é probabilidade? Número de 0 até 1 que expressa a tendência de
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 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 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 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 maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia maisEstatística: Conceitos e Organização de Dados
Estatística: Conceitos e Organização de Dados Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos Disciplina: Estatística Básica Professor: Fabrício Bueno Introdução
Leia mais