26 de dezembro de 2007
|
|
- Ana Sofia Terra Pinheiro
- 6 Há anos
- Visualizações:
Transcrição
1 Curso de UFRPE e UFPE 26 de dezembro de 2007
2
3 Seja l(θ) a log-verossimilhança. A esperança e a covariância da função escore são dadas por: e Cov(U) = E respectivamente. ( UT θ E(U) = 0 (1.1) ) ( ) = E 2 l θ θ T = K, (1.2) Matriz de informação observada: 2 l J = UT θ = θ θ T.
4 Expandindo o suporte l em θ em série multivariada de Taylor ao redor de ˆθ e notando que Û = 0 obtém-se, aproximadamente, ˆl l = 1 2 (θ ˆθ) T Ĵ(θ ˆθ). (1.3) Tem-se, { L = L exp 1 } 2 (θ ˆθ) T Ĵ(θ ˆθ). (1.4) Expansão da Função Escore: Û = U + UT θ (θ ˆθ).
5 Como Û = 0 obtém-se a relação aproximada ˆθ θ = J 1 U. (1.5) O método de Newton-Raphson para o cálculo da EMV consiste em usar esta equação iterativamente. Tem-se, θ (m+1) = θ (m) + J (m) 1 U (m). (1.6) Substituindo a informação observada em (1.5) pela esperada, obtém-se a aproximação ˆθ θ = K 1 U. (1.7) O procedimento iterativo baseado em (1.7) é denominado método escore de Fisher para parâmetros, i.e., θ (m+1) = θ (m) + K (m) 1 U (m).
6 Considere um modelo estatístico f (y; θ) com θ de dimensão p. Seja ˆθ a EMV de θ obtida como solução do sistema de equações de máxima verossimilhança para r=1,...,p Û r = 0. Expandindo Û r = 0 até primeira ordem vem U r + s U rs (ˆθ s θ s ) + O p (1) = 0. Em notação matricial, U = J (ˆθ θ) + O p (1).
7 Como J = K + O p (n 1/2 ) tem-se U = K(ˆθ θ) + O p (1) e, então, ˆθ θ = K 1 U + O p (n 1 ). (1.8) Expandindo Ûr até segunda ordem resulta U r + s U rs (ˆθ s θ s )+ 1 U rst (ˆθ s θ s )(ˆθ t θ t )+o p (1) = 0. 2 s,t (1.9)
8 Calculando o seu valor esperado encontra-se que κ rs E(ˆθ s θ s )+ Cov(U rs, ˆθ s θ s )+ 1 κ rst ( κ st )+o(1) = 0 2 s s s,t (1.10) em que κ rs = κ r,s representa o elemento (r, s) da inversa K 1 da matriz de informação e κ rst = E(U rst ). Segue-se o cálculo de Cov(U rs, ˆθ s θ s ) até o(1): Cov(U rs, ˆθ s θ s ) = Cov ( U rs, t κ st U t ) = t κ rs,t κ st.
9 Definindo o viés de ordem n 1 de ˆθ r por B(ˆθ r ) e substituindo na última expressão tém-se κ rs B(ˆθ s ) = κ (κ st rs,t + 1 ) 2 κ rst + o(1), s s,t cuja inversão produz para r = 1,...,p até O(n 1 ) B(ˆθ r ) = κ ru κ (κ st rs,t + 1 ) 2 κ rst. (1.11) s,t,u
10 Considere n observações iid de uma distribuição normal N(µ, σ 2 ). O interesse reside em calcular os vieses de ordem n 1 das EMV dos parâmetros µ (média) e σ (desvio padrão). Note-se que os cumulantes aqui são calculados em relação a (µ, σ) e não em relação a (µ, σ 2 ). Os elementos da matriz de informação para µ e σ seguem de imediato como κ µ,µ = n/σ 2, κ µ,σ = 0 e κ σ,σ = 2n/σ 2. Os cumulantes de terceira ordem são calculados sem maiores dificuldades: κ µµµ = κ µ,µµ = κ σ,µµ = κ σ,µσ = κ µ,σσ = κ µσσ = 0, κ µµσ = κ µ,µσ = 2n/σ 3, κ σ,σσ = 6n/σ 3 e κ σσσ = 10n/σ 3. Logo, tem-se B(ˆµ) = 0, como esperado, pois ˆµ = Σy i /n não é viesado; com alguma álgebra, obtém-se B(ˆσ) = 3σ/4n.
11 Este resultado está de acordo com o viés exato de ˆσ = {Σ(y i y) 2 /n} 1/2 dado por E(ˆσ) = 2 Γ( n 1 2 ) n Γ( n 2 ) σ, que é deduzido da distribuição χ 2 n 1 de (n 1)ˆσ2 /σ 2. Com efeito, usando a expansão de Stirling em E(ˆσ) implica E(ˆσ) = σ{1 3 4n + O(n 2 )}. A EMV corrigida de σ é, então, σ = ( n )ˆσ.
12 No caso de um modelo uniparamétrico f (y; θ), o viés de ordem n 1 segue-se fazendo todos os índices iguais a θ. Tem-se, B(ˆθ) = κ θθ2 (κ θθ,θ κ θθθ ) ( = κ θθ2 κ (θ) θθ 1 ) 2 κ θθθ.
1 de janeiro de UFRPE e UFPE. Curso de Teoria Assintótica. Gauss Cordeiro. Roteiro. Expansões de Laplace
s UFRPE e UFPE 1 de janeiro de 2008 1 s 2 s 3 4 5 s A transformada é definida z grande por L(z) = 0 e zy f (y)dy. A função geratriz de momentos M(t) da distribuição com função densidade f (y) sobre os
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 951) Método de Máxima Verossimilhança (M.M.V.
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 95) Método de Máxima Verossimilhança (MMV) Definição: Qualquer ˆθ = ˆθ(X,, X n ) Θ tal que L(ˆθ; x,, x n ) = Sup{L(θ)
Leia mais28 de dezembro de 2007
Curso de UFRPE e UFPE 28 de dezembro de 2007 1 2 3 4 5 6 Seja f (y) uma função densidade conhecida, cujos cumulantes são dados por κ 1, κ 2,.... O interesse reside em usar f (y) para aproximar uma função
Leia maisIntrodu c ao ` a Teoria Assint otica Gauss M. Cordeiro
Introdução à Teoria Assintótica Gauss M. Cordeiro 22 ō Colóquio Brasileiro de Matemática i Prefácio A área de teoria assintótica no País cresceu muito nos últimos anos em termos de produção científica.
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 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 mais6. Amostragem e estimação pontual
6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um
Leia mais27 de dezembro de 2007
Curso Coriro Laplace Curso Coriro UFRPE e UFPE 27 zembro 2007 Daniels Curso Coriro Laplace Daniels 1 2 Laplace 3 4 Daniels 5 6 Aplicações estatística 7 Referências Curso Coriro Laplace Daniels As expansões
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 maisEstimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
Leia maisPE-MEEC 1S 09/ Capítulo 7 - Estimação por intervalos. 7.2 Intervalos de. confiança para. média de uma. normal 7.
Capítulo 7 - Estimação por intervalos 7.1 Noções básicas 7.2 Intervalos de confiança para a média de uma população normal 7.3 Intervalos de confiança para a diferença de duas médias de populações normais
Leia maisEstimadores de MáximaVerossimilhança Corrigidosem Modelos de Regressão Não-Lineares Heteroscedásticos p. 1/35
Estimadores de MáximaVerossimilhança Corrigidosem Modelos de Regressão Não-Lineares Heteroscedásticos p. 1/35 Estimadores de Máxima Verossimilhança Corrigidos em Modelos de Regressão Não-Lineares Heteroscedásticos
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 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 maisÙÖ Ó ½ ¾
ÙÖ Ó ÙÖ Ó Í ÊÈ Í È Ò ÖÓ ¾¼¼ ÙÖ Ó ½ ¾ ÙÖ Ó ËÙÔÓÒ ÕÙ Ó Ú ØÓÖ θ Ô ÖÑ ØÖÓ Ñ Ò Ó Ô Ô ÖØ ÓÒ Ó Ó θ = (ψ Ì,λ Ì ) Ì Ñ ÕÙ Ñ(ψ) = Õ Ñ(λ) = Ô Õº ÓÒ Ö ¹ Ó Ø Ø À : ψ = ψ (¼) Ú Ö Ù : ψ ψ (¼), Ñ ÕÙ ψ Ó Ú ØÓÖ Ô ÖÑ ØÖÓ
Leia maisMINI - CURSO. LEG: Laboratório de Estatística e Geoinformação/UFPR. Métodos computacionais e inferência estatística. Equipe LEG :
MINI - CURSO Métodos computacionais e inferência estatística LEG: Laboratório de Estatística e Geoinformação/UFPR Equipe LEG : Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Walmes Marques Zeviani Elias
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
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 maisAGA Análise de Dados em Astronomia I. 6. O Método da Máxima Verossimilhança- I
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 6. O Método da Máxima Verossimilhança- I Laerte Sodré Jr. 1o. semestre, 2019 introdução aula de hoje: 1 modelagem dos dados 2 a verossimilhança
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 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 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 maisDistribuições Amostrais - Tamanho da Amostra
Distribuições Amostrais - Tamanho da Amostra Prof. Eduardo Bezerra Inferência Estatística 21 de Setembro de 2018 Eduardo Bezerra (CEFET/RJ) Tamanho da Amostra 1 / 10 Motivação Suponha que queremos estimar
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 maisInferências sobre o vetor de Média. (Johnson & Wichern, Cap. 5) Considere o problema univariado no qual temse uma amostra aleatória de tamanho n da
Inferências sobre o vetor de Média (Johnson & Wichern, Cap. 5) Considere o problema univariado no qual temse uma amostra aleatória de tamanho n da distribuição N(µ, σ 2 ), em que ambos os parâmetros de
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
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 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 maisGILSON BARBOSA DOURADO
CORREÇÃO DE VIÉS DO ESTIMADOR DE MÁXIMA VEROSSIMILHANÇA PARA A FAMÍLIA EXPONENCIAL BIPARAMÉTRICA GILSON BARBOSA DOURADO Orientador: Klaus Leite Pinto Vasconcellos Área de concentração: Estatística Matemática
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 maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
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 maisHeleno Bolfarine Mônica Carneiro Sandoval ESTATÍSTICA
Heleno Bolfarine Mônica Carneiro Sandoval INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA V VI CONTEÚDO PREFÁCIO... iv CAPÍTULO 1. ELEMENTOS BÁSICOS... 1 1.1. Alguns Modelos Especiais........1 1.1.1. O modelo normal...1
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 maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Distribuição beta não central; Coef. de determinação; Quando X for aleatório. Distribuição
Leia maisAnálise Multivariada
Análise Multivariada Getúlio Amaral Universidade Federal de Pernambuco 2006 As notas de aula Apenas apresentam os tópicos de Interesse. O aluno precisa consultar os livros abaixo para obter os conhecimentos
Leia maisCOMPARAÇÃO DAS EXPANSÕES DE EDGEWORTH, LUGANNANI-RICE, DANIELS E CORDEIRO-FERRARI COM
COMPARAÇÃO DAS EXPANSÕES DE EDGEWORTH, LUGANNANI-RICE, DANIELS E CORDEIRO-FERRARI COM APLICAÇÕES NA ESTATÍSTICA Rejane dos Santos BRITO 1 Gauss Moutinho CORDEIRO 1 RESUMO: Neste artigo revisa-se as expansões
Leia mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia maisTratamento Estatístico de dados em Física Experimental
Tratamento Estatístico de dados em Física Experimental Prof. Zwinglio Guimarães 2 o semestre de 2017 Tópico 6 - Testes estatísticos (Chi-quadrado, z e t ) O método dos mínimos quadrados (revisão) O método
Leia maisPrograma de Pós-Graduação em Estatística
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE CIÊNCIAS EXATAS E DA NATUREZA DEPARTAMENTO DE ESTATÍSTICA Programa de Pós-Graduação em Estatística CORREÇÃO DE ALTA ORDEM DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA
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 maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
Leia maisResolução de Sistemas de
Capítulo 5 Resolução de Sistemas de Equações Não-Lineares 51 Introdução Neste capítulo, apresentaremos o método de Newton para sistemas de equações não-lineares, ie, procuramos um vetor x que satisfaça
Leia maisAmostra Aleatória Simples
Amostra Aleatória Simples Airlane Pereira Alencar 4 de Abril de 2018 Alencar, A.P. (IME-USP) Amostra Aleatória Simples 4 de Abril de 2018 1 / 34 Definições e Notações Notações População ou Universo U =
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS IV. ESTIMAÇÃO ÓTIMA Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
Leia maisUniversidade Federal de Campina Grande Centro de Ciências e Tecnologia Programa de Pós-Graduação em Matemática Curso de Mestrado em Matemática
Universidade Federal de Campina Grande Centro de Ciências e Tecnologia Programa de Pós-Graduação em Matemática Curso de Mestrado em Matemática Matriz de covariâncias do estimador de máxima verossimilhança
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 maisIntervalos de Confiança
Intervalos de Confiança Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Estimar o consumo médio de um automóvel, estimar o tempo médio que um funcionário leva a aprender uma
Leia maisControle Estatístico de Qualidade - parte II
9 de Junho de 2011 Gráfico de Controle para Média Objetivos Ao final deste capítulo você deve ser capaz de: Construir e interpretar gráficos para variáveis, tais como X, R e S. Construir e interpretar
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores
Leia maisIntrodução à probabilidade e estatística II
Introdução à probabilidade e estatística II Testes de hipóteses para duas médias populacionais Prof. Alexandre G Patriota Sala: 98A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Testes de hipóteses
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
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 maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 2.2 Gabarito ) Considere a matriz 4 N = 4. 4 Observe que os vetores (,, ) e (,, ) são dois autovetores de N. a) Determine uma forma diagonal D de N. b) Determine uma matriz P tal
Leia maisÁlgebra Linear I - Aula 10. Roteiro
Álgebra Linear I - Aula 10 1. Distância entre duas retas. 2. A perpendicular comum a duas retas. 3. Posições relativas. Roteiro 1 Distância entre duas retas r e s Calcularemos a distância entre duas retas
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 7: Intervalos de Confiança 13 de novembro de 2012 1 2 3 4 Percentil 100p%-percentil O ponto t 0 tal que t 0 = F 1 X (p) = min{t : F X (t) p}, 0 < p < 1 é
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia mais3 Modelo multivariado para os preços do petróleo e dos derivados
3 Modelo multivariado para os preços do petróleo e dos derivados 3.1 Introdução Na seção anterior foi apresentado o modelo SS padrão juntamente com duas extensões desenvolvidos nesta dissertação: o modelo
Leia maisMINI - CURSO. Métodos computacionais para inferência com aplicações em R. Equipe LEG :
MINI - CURSO Métodos computacionais para inferência com aplicações em R LEG: Laboratório de Estatística e Geoinformação/UFPR Equipe LEG : Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Walmes Marques Zeviani
Leia maisÁlgebra Linear I - Aula 9. Roteiro
Álgebra Linear I - Aula 9 1. Distância entre duas retas. 2. A perpendicular comum a duas retas. 3. Posições relativas. Roteiro 1 Distância entre duas retas r e s Calcularemos a distância entre duas retas
Leia maisDistribuição Normal. Prof a Dr a Alcione Miranda dos Santos. Abril, 2011
Distribuição Normal Prof a Dr a Alcione Miranda dos Santos Universidade Federal do Maranhão Programa de Pós-Graduação em Saúde Coletiva email:alcione.miranda@gmail.com Abril, 2011 1 / 18 Sumário Introdução
Leia maisUniversidade Federal do Rio de Janeiro. Centro de Ciências Matemáticas e da Natureza. Instituto de Matemática. Departamento de Estatística
Universidade Federal do Rio de Janeiro Centro de Ciências Matemáticas e da Natureza Instituto de Matemática Departamento de Estatística Uma Revisão da Análise de Variância Multivariada com Aplicações em
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 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 maisApostila - Inferência baseada na Verossimilhança
Apostila - Inferência baseada na Verossimilhança Professor: Wagner Hugo Bonat - LEG/UFPR 1 Introdução Este texto se refere a inferência estatística baseada na função de Verossimilhança. Pretende ser um
Leia maisMétodos Estatísticos em Física Experimental. Prof. Zwinglio Guimarães 1 o semestre de 2015 Aulas 11 e 12
Métodos Estatísticos em Física Experimental Prof. Zwinglio Guimarães 1 o semestre de 015 Aulas 11 e 1 O método dos mínimos quadrados (revisão) O método dos mínimos quadrados consiste em determinar os parâmetros
Leia maisUm programa de mínimos quadrados sempre começa com a minimização da soma: ou seja, mínimos quadrados implica em minimizar os quadrados dos resíduos.
1 de 17 10/5/2011 11:12 Em 1809, Carl Friedrich Gauss (1777-1855) publicou um artigo no Werke, 4, 1-93, demonstrando que a melhor maneira de determinar um parâmetro desconhecido de uma equação de condições
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
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 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 maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
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 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 maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisLista de Exercicios 1. Medidas Resumo. Estimação. Distribuições Amostrais
Introcução à Inferência Estatística. Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 15 de agosto de 007 Lista de Exercicios 1 Medidas Resumo. Estimação. Distribuições Amostrais 1
Leia maisModelos Lineares Generalizados - Métodos de Estimação
Modelos Lineares Generalizados - Métodos de Estimação Erica Castilho Rodrigues 07 de Abril de 2014 3 Componentes dos MLG s Os MLG s são compostos por duas partes: componente sistemático e componente aleatório.
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 maisEstimador de Máxima Verossimilhança - Motivação
Estimador de Máxima Verossimilhança - Motivação Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Estimador de Máxima Verossimilhança - Motivação 2013 1 / 35 Origem O método
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 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 maisROTINA PARA APLICAÇÃO DO MÉTODO PARAMÉTRICO
ROTINA PARA APLICAÇÃO DO MÉTODO PARAMÉTRICO º Passo: Estudar o problema e formular as equações matemáticas para cada uma das observações, sempre na forma F(Xa) La ; 2º Passo: Obter os valores aproximados
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 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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisUFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior TESTE DE HIPÓTESES 1 Introdução Considere a seguinte situação:
Leia maisX 2. (σ 2 + µ 2 ) = 1 n (nσ 2 + nµ 2 ) = σ 2 + µ 2. µ = 0 E(T ) = σ 2
Estatística II (GET00182) Turma A1 Prova 1 20/10/2017 2/2017 NOME: GABARITO 1. Seja X 1, X 2,, X n uma amostra aleatória simples de uma população X com média µ e variância σ 2. (a) Mostre que, se µ = 0,
Leia maisDadas as observações x 1, x 2,..., x n p-variadas, a AF busca responder a seguinte questão.
Análise Fatorial Métodos de Estimação Dadas as observações x 1, x 2,..., x n p-variadas, a AF busca responder a seguinte questão. O MFO, com um número pequeno de fatores, representa adequadamente os dados?
Leia maisAula 2: Fluxo de Potência e Análise Estática
Operação e Controle de Sistemas de Potência Aula 2: Fluxo de Potência e Análise Estática Professor: Dr. Raphael Augusto de Souza Benedito E-mail:raphaelbenedito@utfpr.edu.br disponível em: http://paginapessoal.utfpr.edu.br/raphaelbenedito
Leia mais1 Regras de Feynman para QED
1 Regras de Feynman para QED Decaimentos e espalhamentos que geram duas partículas no estado final são descritas da seguinte maneira no CM: Γ = p f 3π M dω 1) s onde s é a energia do centro de massa; e
Leia maisIntrodução à Física Computacional
7600017 Introdução à Física Computacional Terceiro Projeto (prazo até 30/04/17) Instruções Crie um diretório PROJ3 #usp em /home/public/fiscomp17/proj3 Proteja seu diretório para nao ser lido por g e o
Leia maisTeoria de Campo Médio Aplicada ao Modelo de Ising Quântico
1 / 15 Teoria de Campo Médio Aplicada ao Modelo de Ising Quântico Jonas Maziero Bagé - RS, Novembro de 2012 Modelo xy Quântico 2 / 15 Hamiltoniano operador hermitiano em um espaço de estados H n, H = C
Leia maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisInferência Estatística - Modelos e MLE
Inferência Estatística - Modelos e MLE Renato Martins Assunção UFMG 2013 Renato Martins Assunção (UFMG) Inferência Estatística - Modelos e MLE 2013 1 / 82 Modelos Estatísticos Um modelo para os dados Suponha
Leia maisFísica Experimental IV
Física Experimental IV Primeiro semestre de 2016 Aula 2 - Experimento I - semana 2 Página da disciplina: http://disciplinas.stoa.usp.br/course/view.php?id=10374 01 de Março de 2016 Experimento I - Circuitos
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 2
MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia mais