SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI
|
|
- Rubens Henriques Castilhos
- 6 Há anos
- Visualizações:
Transcrição
1 SIMULAÇÃO E COMPARAÇÃO DE MÉTODOS COMPUTACIONAIS PARA OBTENÇÃO DE DISTRIBUIÇÕES A POSTERIORI Flávo Bambrra Gonçalves, Vnícus Dnz Mayrnk e Rosangela Helena Losch Deartamento de Estatístca ICEx - Unversdade Federal de Mnas Geras Av. Presdente Antôno Carlos, 667, Camus Pamulha, Belo Horzonte, Mnas Geras, CEP: 7-9 E-mal: fbg@ufmg.br, mayrnk@ufmg.br, losch@est.ufmg.br Resumo: Neste trabalho, descreve-se e estuda-se a efcênca de três métodos ara obtenção de uma aroxmação da dstrbução a osteror: Gbbs Samlng, Método da Rejeção e SIR. Para sto, consdera-se uma análse conjugada e amostras geradas de duas dstrbuções: Normal com méda e varânca desconhecdas e Posson. Também consderam-se dos tamanhos amostras, n= e. Em ambos os casos, comara-se o resultado com a dstrbução a osteror exata, através de gráfcos e estatístcas descrtvas. De uma manera geral, os três métodos foram efcentes na geração da dstrbução a osteror do arâmetro σ. Consderando o arâmetro µ, notou-se que o Gbbs Samlng gerou dstrbuções a osteror com varabldade maor que os demas métodos em relação à dstrbução exata. O método Gbbs Samlng fo o que melhor aroxmou as dstrbuções a osteror exatas de µ. No caso Posson, observou-se que os métodos SIR e MR não são efcentes em stuações onde a dstrbução a ror do arâmetro de nteresse está to afastada da realdade. Quando sto não ocorre, tas métodos se mostraram bem efcentes ara aroxmar a dstrbução a osteror exata do arâmetro. Palavras-chave: Métodos comutaconas, Dstrbução Normal, Dstrbução Posson. Abstract: In ths study, t s descrbed and studed the effcency of three methods for an aroxmaton of osteror dstrbutons: Gbbs Samlng, Rejecton Method and SIR. It s done by consderng a conjugated analyss and generatng samles of two dstrbutons: Normal wth unknown average and varance and Posson. Two samle szes are consdered, n= and. In both cases, the results are comared wth the exact osteror dstrbuton, by usng grahs and descrtve statstcs. As general, the three methods had been effcent n generatng the arameters osteror dstrbuton. For µ, Gbbs Samlng generated osteror dstrbutons wth hgher varance than the other methods accordng to the exact dstrbuton. The Gbbs Samlng Method had better erformance on aroxmatng the exact osteror dstrbutons. In Posson case, notced that SIR and MR methods are not effcent when the arameter s ror dstrbuton s far from real. If t doesn t haen, such methods are effcent to aroxmate the arameter s exact osteror dstrbuton. Keywords: Comutatonal methods, Normal Dstrbuton, Posson Dstrbuton. Introdução A Estatístca Bayesana é uma abordagem que vem sendo cada vez mas reconhecda e utlzada devdo à sua grande efcênca em resolver roblemas comlexos que são, tas vezes, dfíces de serem tratados com técncas da Estatístca Clássca. Uma das vantagens de se utlzar a Estatístca Bayesana é a ossbldade de ncororar no rocesso de nferênca nformações não caturadas elo modelo estatístco através da função de verossmlhança. A dferença básca entre Estatístca Clássca e Estatístca Bayesana é que na Estatístca Clássca, o conceto de aleatoredade está assocado a varabldade. Já na Estatístca Bayesana, ara que algo seja consderado aleatóro, basta que ele seja desconhecdo. Na da Estatístca Bayesana, exstem alguns concetos báscos que descreveremos a segur: as dstrbuções a ror e a osteror e a função de verossmlhança. A dstrbução a ror f (θ ) é aquela que resume a nformação sobre θ antes de observar-se os dados. A função de verossmlhança f ( X θ ) é aquela que resume a nformação sobre θ fornecdas elos dados e a dstrbução a osteror f ( θ X ) é a dstrbução atualzada de θ aós a observação dos
2 dados. A manera mas com de se obter a dstrbução a osteror é através do Teorema de Bayes: f ( X θ ). f ( θ ) () f ( θ X ) = f ( X θ ). f ( θ ) dθ Θ Porém, na maora das vezes se torna (quase) mossível resolver a ntegral do denomnador analtcamente, o que fez com que a Estatístca Bayesana fosse rvada de ser utlzada na maora dos roblemas durante to temo. As mas recentes soluções desenvolvdas, foram técncas de slações usadas ara gerar amostras da dstrbução a osteror. O maor obstáculo ara a mlementação de técncas bayesanas no assado fo a dfculdade comutaconal. Hoje em da esse obstáculo fo suerado com o desenvolvmento dos comutadores que se tornaram mas rádos e efcentes, além do desenvolvmento de softwares que facltam a mlementação e o uso dessas técncas. Neste estudo serão alcados três métodos comutaconas ara gerar amostras da dstrbução a osteror. O rmero deles é um esquema de slação do to Monte Carlo va Cadea de Markov (M.C.M.C.) conhecdo como Gbbs Samlng. As déas orgnas do método são de Metrools et al (9) e foram generalzadas or Hastngs (97). Geman e Geman (984) rouseram um esquema de amostragem da dstrbução de Gbbs dentro de conceto de reconstrução de magens. Gelfand e Smth (99) mostraram a alcabldade estatístca do método. O segundo método a ser estudado, chamado de Método da Rejeção (Gelfand e Smth, 99), é uma técnca smles que gera uma amostra a osteror a artr de uma amostra a ror. O tercero método SIR (Samlng Imortance Resamlng) é um Bootstra onderado de uma amostra da dstrbução a ror também roosto or Gelfand e Smth (99). Pretende-se então descrever cada um destes métodos e estudar sua efcênca. Aós defnr os algortmos e analsar as roostas de cada técnca na seção, elas serão comaradas na seção. Para a realzação dessa comaração, os métodos serão adatados ara alcação na análse de dados, rovenentes de uma dstrbução Normal com méda e varânca desconhecdas e de uma dstrbução de Posson com arâmetro desconhecdo. Utlzaremos em ambos os casos, dstrbuções a ror conjugadas naturas ara tornar fácl o comuto da dstrubução a osteror exata. Também foram consderados dos tamanhos de amostras. Analsar a efcênca dos métodos sgnfca verfcar se é boa a aroxmação entre as dstrbuções a osteror exatas e aquelas geradas or cada método, além de observar se as estmatvas dos arâmetros estão róxmas dos valores reas que são conhecdos. A mlementação dos métodos fo feta em lnguagem de rogramação C. Este trabalho está organzado da segunte manera: na Seção será aresentada a metodologa utlzada, na Seção os resultados obtdos, na Seção as rncas conclusões.. Algortmos ara obtenção da dstrbução a osteror Nesta Seção descrevemos de forma geral os algortmos a serem utlzados no trabalho... O método Gbbs Samlng O método Gbbs Samlng (Hastng 97) é um esquema teratvo de amostragem de uma cadea de Markov cujo núcleo de transção é formado elas dstrbuções condconas comletas dos arâmetros a serem estmados. Suonha que se retende estmar os arâmetros θ,...,θ e admta que as dstrbuções condconas comletas f ( θ θ,..., θ ), f ( θ θ, θ,..., θ ),..., f ( θ θ,..., θ ) são conhecdas. Dadas as dstrbuções condconas comletas, o algortmo Gbbs Samlng tem a segunte forma:. Incalze o contador de nterações da cadea de Markov fazendo j = e arbtre valores ncas () () () θ = ( θ,..., ) ; θ ( j ). Obtenha o j-ésmo valor θ = ( θ,..., θ ), j =,,...,n a artr de θ através de sucessvas gerações de valores como segue, ( j ) ( j ) θ ~ f ( θ θ,..., θ ) 74
3 ( j ) ( j ) θ ~ f ( θ θ, θ..., θ ) (...) (.) θ ~ f ( θ θ,..., θ ) ;. Mude o contador j ara j + e retorne a (.); Desreze as m rmeras amostras ara burn-n (garanta de convergênca) e selecone uma amostra de l em l das n-m restantes ara formar a amostra que rá aroxmar a dstrbução a osteror... O Método da Rejeção O Método da Rejeção (Gelfand e Smth 99) selecona valores rovenentes da dstrbução a ror ara formar uma amostra da dstrbução a osteror. Esse rocedmento ossu a grande vantagem de ser smles ara a mlementação e de fácl entendmento. Aresenta-se a segur o algortmo do método da rejeção. Suonha que ( X,..., X n ) é um conjunto de dados observados sendo que X ( =,...,n) é rovenente de uma dstrbução de robabldade ndexada elo arâmetro θ. Os assos a serem realzados são:. Gerar θ da dstrbução a ror f (θ ) ;. Gerar u de uma dstrbução Unforme(,);. Teste ara acetação ou rejeção: Se u f ( X θ ) ~, acetar θ ara formar a amostra a osteror. Caso contráro, reta os Mf ( θ ) assos, e. O elemento M reresenta uma constante que ode ser dentfcada. Sabe-se que M > e f ( X θ ) M ~, onde f ( X θ ) reresenta a função de verossmlhança. Para gerar uma amostra a f ( θ ) ~ osteror a artr de uma amostra a ror deve-se consderar ara o algortmo que M = f ( X θ = ˆ θ ) onde θˆ é o estmador de máxma verossmlhança ara a dstrbução de onde θ é rovenente. Dessa forma o teste ara a acetação ou rejeção de um valor de θ gerado a ror, será: f ( X θ ) Se u ~, acetar θ ara formar a amostra a osteror e deve-se rejetar caso f ( X θ = ˆ) θ ~ contráro. É mortante salentar que, se θ (gerado da dstrbução a ror) for um valor róxmo de θˆ (estmador de máxma verossmlhança) a robabldade de acetação de θ é grande. Se θ for um valor dstante de θˆ, a robabldade de acetação de θ é equena... O método SIR O método SIR (Gelfand e Smth 99) é um método de reamostragem com a utlzação de esos que segue o segunte algortmo:. Gere uma amostra θ,...,θ n de tamanho n da dstrbução a ror de θ.. Calcule o valor w = f ( X θ ) ara cada um dos ontos θ ' s gerados.. Para cada valor θ gerado, calcule: w = n q 4. Selecone uma amostra θ *,..., θ n * de tamanho m, com reosção, da amostra ( θ,..., θ n ) consderando a dstrbução dscreta com robabldades ( q,..., qn ) onde P ( θ = θ ) = q. Essa amostra será a amostra que rá aroxmar a dstrbução a osteror. = w ~ 7
4 . Resultados das slações O algortmo utlzado fo mlementado na lnguagem C. Para o estudo comaratvo dos métodos serão geradas as amostras de tamanhos e tanto da dstrbução Normal (, 4) quanto da dstrbuão Posson (). Para verfcar se os métodos aroxmam bem a dstrbução a osteror exata, serão exbdos, em um mesmo gráfco, a dstrbução a osteror exata e o hstograma da amostra obtda elos métodos. Além dsso, serão aresentadas tabelas com as estatístcas descrtvas das dstrbuções a osteror exatas e das amostras das dstrbuções a osteror geradas elos métodos... Esecfcações a ror No caso da dstrbução Normal, retende-se estmar os dos arâmetros da dstrbução. Os dados foram gerados de uma dstrbução Normal (, 4). Para a análse assummos que a µ σ ~ Normal ( m, σ ) e σ ~ GamaInversa, d. m a d Caso 4 68, 4,6 Caso 4 46,66 4, 4 46,66 4, 8 4,6,77 4 Tabela Dstrbuções e estatístcas descrtvas a ror ara o caso Normal. Note que ara o Caso e fo escolhdo uma dstrbução a ror Normal com méda ara µ. Os esqusadores que utlzam essa escolha a ror, ossuem uma déa rum sobre qual é o verdadero valor da méda da dstrbução real dos dados. Lembre-se que os dados são rovenentes de uma dstrbução Normal com méda. Para os Casos e 4 a dstrbução a ror ara µ está centrada justamente no valor real do arâmetro µ. Portando os dos últmos Casos são melhores em relação à onão exressa sobre µ. O elemento que dferenca os Casos e e os Casos e 4 é a onão a reseto da varabldade dos dados: o arâmetro σ. No caso da dstrbução de Posson, retende-se estmar o arâmetro desta dstrbução. Os dados foram gerados de uma dstrbução de Posson (). Para a análse assummos que λ ~ Gama ( α, β ). Caso α β E(λ) Var(λ) Moda(λ) 9, Caso,, --- Tabela Dstrbuções e estatístcas descrtvas a ror ara o caso Posson. No caso a dstrbução a ror de λ está to longe da realdade, os tem méda e varânca equena. No caso a dstrbução a ror de λ está bem róxma de realdade, os tem méda (valor real) e varânca bem equena... Gbbs Samlng: Análse das slações Para a obtenção das dstrbuções a osteror dos arâmetros µ e σ² va Gbbs Samlng, serão geradas amostras, tomando-se as rmeras ara burn-n e com um lag de ara obtenção da amostra fnal. Ou seja, a amostra fnal será comosta de 8 elementos. Para uma amostra de tamanho n= observe, através dos gráfcos mostrados nas Fguras e, que as dstrbuções a osteror exata e obtda va Gbbs Samlng, concentram maor arte de suas massas em ntervalos arecdos. Veja elas Tabelas e 4 que a méda, moda e varânca da dstrbução obtda va Gbbs Samlng está bem róxma dos valores exatos. As melhores aroxmações ocorrem no onde assummos uma dstrbução a ror mas nformatva (menor varânca) e que, a ror, estma bem tanto µ quanto σ. Perceba ela Fgura que em todos os 76
5 casos o formato do hstograma reresentando a dstrbução a osteror obtda va Gbbs Samlng ara o arâmetro σ, acomanha quase erfetamente o formato da curva contínua da dstrbução exata. Fgura Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va Gbbs Samlng (hstograma) ara µ. Caso Caso, 6,8, 9 8,6, ,, 8 6,, Fgura Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va Gbbs Samlng (hstograma) ara σ. Caso Caso 7,, 6,, ,,, Exata Gbbs Exata Gbbs Exata Gbbs Caso,7,69 9, 8,,7 7,878 Caso,7,86 6,4 9,7,7 7,64 9,6 9,6 6,,96 9,6,449 9,6 9,94,,9 9,6 8,8 Tabela Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va Gbbs Samlng ara µ. Exata Gbbs Exata Gbbs Exata Gbbs Caso 8,7 8, 9,8 7,9 6,6 7,79 Caso 6,8,6 9,66 4,94 96,97 7,6,67, 9,88 4 9,689,98 4, 4,,9,9,68,8 Tabela 4 Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va Gbbs Samlng ara σ². Aumentando o número de observações de n= ara n=, observamos uma melhora na aroxmação em todos os casos. Perceba que ara µ, os valores médos a osteror ara dstrbução exata e aroxmadas estão bem róxmos entre s e também estão bem róxmos do valor real, sendo que os valores da dstrbução aroxmada estão em geral mas róxmos anda de. O mesmo não se ode dzer sobre a moda a osteror, onde vê-se que a dstrbução aroxmada tem valor modal em geral nferor ao valor da dstrbução a osteror exata. Nota-se também, ara n=, que a varânca da dstrbução aroxmada é um ouco maor que a observada ara a dstrbução exata. Para a varânca, nota-se, ara n=, que as dstrbuções a osteror exatas e obtdas va Gbbs Samlng estão bem róxmas. Nota-se anda uma melhora nas estmatvas de σ², como era de se eserar. 77
6 Fgura Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va Gbbs Samlng (hstograma) ara µ. Caso Caso,,, ,,,,, Fgura 4 Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va Gbbs Samlng (hstograma) ara σ. Caso Caso,,,6,8,,7,,,4,,,6,,4,,,, Exata Gbbs Exata Gbbs Exata Gbbs Caso,,6,44 9,9, 7,64 Caso,,44,,89,,,4 76,9,9,4 8,864,4,6,8 4,8,4 9,8 Tabela Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va Gbbs Samlng ara µ. Exata Gbbs Exata Gbbs Exata Gbbs Caso,88,94, 4,89 9,8,699 Caso,464,8 8,9 8,8 9,7 8,99,8,94,,6 4,987 6,74 4,76 4,8,68,9,9 4,88 Tabela 6 Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va Gbbs Samlng ara σ²... Método da Rejeção (MR) : Análse das slações (caso normal) Para a obtenção das dstrbuções a osteror dos arâmetros µ e σ² va MR, serão geradas amostras. Da Fgura é ossível notar que também ara o Método da Rejeção exste, uma melhor aroxmação entre as dstrbuções a osteror exata e aroxmada ara o arâmetro σ. São mostrados aenas gráfcos e estatístcas descrtvas referentes aos Casos e 4 cujas dstrbuções a ror são mas justas ara reresentar os valores reas de µ e σ. As dstrbuções a ror estabelecdas ara os Casos e não reresentam bem os valores reas desse arâmetros. Consequentemente, a robabldade de rejetar um valor gerado da dstrbução a ror ara comor a amostra a osteror é to grande. Para essas escolhas a ror, ao executar o rograma ara o Método da Rejeção não fo seleconado qualquer elemento ara a amostra a osteror. Veja na Fgura que a aroxmação das dstrbuções exatas e geradas va Método da Rejeção ara o não é boa, os a amostra a osteror é equena. 78
7 Fgura Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va Método da Rejeção (hstograma) ara µ e σ². (µ) (µ) (σ²) (σ²),6,8,,6,,7,6,4,,4,,,,4,,,,4,,,,,,, Exata MR Exata MR Exata MR 9,6 9,7 6,,496 9,6, 9,6 9,66,,67 9,6 9,4 Tabela 7 Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va MR ara µ. Exata MR Exata MR Exata MR,67 4,6 9,88,88 9,689 4, 4,4,9,94,68,97 Tabela 8 Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va MR ara σ². Quando a amostra se torna maor (n=), a tendênca é que as dstrbuções a osteror sejam mas recsas no sentdo de adqurr menor varabldade. A dstrbução a ror estabelecda ara o gerou valores que são atícos ara a nova dstrbução a osteror. Assm todos os valores gerados foram rejetados e a amostra a osteror fnal fcou vaza ara este caso. É or sso que somente o é mostrado. Lembre-se que no caso n=, a amostra a osteror do era equena o que favoreca a mrecsão nas estmatvas. Os comentáros a serem fetos aqu são semelhantes àqueles dscutdos nas slações anterores ara o método da Rejeção com amostra de tamanho. Fgura 6 Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va Método da Rejeção (hstograma) ara µ e σ². (µ) (σ²),9,8,7,6,,4,,, Exata MR Exata MR Exata MR,4,,8 4,4 9,99 Tabela 9 Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va MR ara µ. Exata MR Exata MR Exata MR 4,76 4,7,68,67,9,7 Tabela Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va MR ara σ². 79
8 .4. SIR: Análse das slações (caso normal) Para a obtenção das dstrbuções a osteror dos arâmetros µ e σ² va SIR, serão geradas amostras, tomando-se dessas amostras ara formar a amostra a osteror. Para uma amostra com n=, a dstrbução a osteror de µ não fo bem aroxmada elo método SIR nos casos e. Isso aconteceu orque a amostra a osteror das dstrbução a ror, nestes casos estavam bem dstantes do valor real de µ. O caso é um ouco melhor os, aesar de, a ror, estmar mal o valor de µ, temos mas ncerteza. Nos casos e 4 a amostras geradas elo método SIR fcaram centrados nos mesmos valores da dstrbução a osteror exata, orém com uma varânca menor. No caso, a amostra a osteror de σ² fo degenerada, sso aconteceu orque, de todos os valores gerados da dstrbução a ror de σ², um deles teve eso q to róxmo de (, ) e todos os outros tveram eso q ratcamente gual a zero. No caso a aroxmação entre as dstrbuções aroxmadas é um ouco melhor, aresentando valores relatvamente róxmos ara méda, moda e varânca. Nos casos e 4 as amostras a osteror geradas elo SIR aroxmaram to bem a dstrbução a osteror exata de σ². Fgura 7 Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va SIR (hstograma) ara µ. Caso Caso,,9,,9,4,7,8,7,6,,4,,,,8,7,6,,4,,,,,,,6,,4,,, Fgura 8 Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va SIR (hstograma) ara σ². Caso Caso,,,9,,8,4,7,6,,4,,,,,, sgma sgma sgma sgma Exata SIR Exata SIR Exata SIR Caso,7,684 9,,7,687 Caso,7,788 6,4 6,9,7,874 9,6 9,7 6,,4 9,6 9,4 9,6 9,4,,6 9,6 9,9 Tabela Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va SIR ara µ. Exata SIR Exata SIR Exata SIR Caso 8,7 9,6 9,8 6,6 9,6 Caso 6,8 4,8 9,66 97,8 96,97 78,7,67,6 9,88 9,46 9,689 4,787 4, 4,,9,966,68, Tabela Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va SIR ara σ². 7
9 Para uma amostra de tamanho, o caso, o rograma ara obter a dstrbução a osteror de µ e σ² elo método SIR não rodou. A dstrbução a osteror de µ não fo bem aroxmada elo método SIR no caso, ela fo degenerada elos mesmos motvos que a dstrbução de σ² fo degenerada no caso ara a amostra de tamanho. Nos casos e 4 a amostras geradas elo método SIR fcaram centrados nos mesmos valores da dstrbução a osteror exata, orém com uma varânca bem menor que a da dstrbução exata. No caso, a amostra a osteror gerada elo método SIR fo degenerada e bem dstante dos valores onde a dstrbução a osteror exata õe massa. No caso, a amostra gerada fcou concentrada na cauda dreta da dstrbução a osteror exata. E no caso 4, a amostra a osteror gerada elo método SIR aroxmou bem a dstrbução a osteror exata de σ². Fgura 9 Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va SIR (hstograma) ara µ. Caso,,9,8,7,6,,4,,, Fgura Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va SIR (hstograma) ara σ². Caso,,9,8,7,6,,4,,,,9,8,7,6,,4,,, 4 sgma sgma sgma Exata SIR Exata SIR Exata SIR Caso,,874,,,874,4,,9 4,4,74,4,9,8 4,4 9,94 Tabela Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va SIR ara µ. Exata SIR Exata SIR Exata SIR Caso,464 78,7 8,9 9,7 78,7,8,794,,6 4,987,4447 4,76 4,9,68,7,9,688 Tabela 4 Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va SIR ara σ²... SIR e Método da rejeção: Análse das slações (caso Posson) Para uma amostra de tamanho, no caso, o MR não seleconou nenhum dado ara formar a dstrbução a osteror elos mesmos motvos ctados no caso normal. Já no caso, o MR fo bem 7
10 efcente. No caso, a dstrbução a osteror exata de λ não fo bem aroxmada elo método SIR, os a amostra a osteror gerada elo método SIR está concentrada na cauda dreta da dstrbução a osteror exata e tem varânca menor que esta. No caso o método SIR fo bem efcente ara aroxmar a dstrbução a osteror exata de λ. Fgura Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va MR e SIR (hstograma) ara λ. MR - Caso SIR Caso SIR Caso,, densdade,, densdade densdade,, 4 E(λ) Var(λ) Moda(λ) Exata MR SIR Exata MR SIR Exata MR SIR Caso,44 ---, ,49 ---,4 Caso,9,9,9,,8,,9,974,7 Tabela Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va MR e SIR ara λ. Para uma amostra de tamanho os resultados foram: Fgura Comaração entre a dstrbução a osteror exata (curva contínua) e a dstrbução a osteror obtda va MR e SIR (hstograma) ara λ. MR - Caso SIR Caso SIR Caso 4 4 densdade densdade densdade,,,,,,, E(λ) Var(λ) Moda(λ) Exata MR SIR Exata MR SIR Exata MR SIR Caso,6 ---,48 ---, ---,4 Caso,89,9,9,79,64, Tabela 6 Estatístcas descrtvas das dstrbuções a osteror exatas e geradas va MR e SIR ara λ. As mesmas observações e conclusões da amostra de tamanho são váldas ara a amostra de tamanho. Acrescentando-se que ara a amostra de tamanho o caso do método SIR fo or que ara o tamanho de amostra, os a amostra gerada elo método SIR está mas afastada da dstrbução a osteror exata de λ.. Conclusões Neste trabalho, descreveu-se e estudou-se a efcênca de três métodos ara obtenção de uma aroxmação da dstrbução a osteror: Gbbs Samlng, MR e SIR. Para sto, consdera-se uma análse conjugada e amostras geradas de duas dstrbuções: Normal com méda e varânca desconhecdas e Posson. Também consderam-se dos tamanhos amostras, n= e. Em ambos os casos, comara-se o resultado com a dstrbução a osteror exata. 7
11 De uma manera geral, os três métodos foram efcentes na geração da dstrbução a osteror do arâmetro σ. Percebe-se sto dos gráfcos que mostram uma erfeta aroxmação com a dstrbução a osteror exata e também através da roxmdade dos resumos de ambas dstrbuções exata e aroxmadas. Consderando o arâmetro µ, notou-se que o Gbbs Samlng gerou dstrbuções a osteror com varabldade maor, enquanto que os demas métodos com menor varabldade, em relação à dstrbução exata. O método Gbbs Samlng fo o que melhor aroxmou as dstrbuções a osteror exatas de µ. A justfcatva é smles os a geração deste arâmetro, em todos os modelos, deende do valor gerado ara σ. Há então uma herança de erros de estmação. Aesar desse roblema com a varabldade fo observado que a dstrbução a osteror de µ, gerada elos modelos, está centrada ratcamente no mesmo onto que a dstrbução exata. O uso de dstrbuções a ror que não reresentavam bem os arâmetros µ e σ mlcaram na obtenção de estmatvas ontuas afastadas dos valores reas dos arâmetros ara o modelo Gbbs Samlng, orém tal comortamento ocorreu também nas dstrbuções exatas, ou seja, o método fo bem efcente ara aroxmar as dstrbuções a osteror exatas. Para o Método da Rejeção e o SIR, nestes casos, amostras equenas ou contendo nenhum elemento eram formadas a osteror. Isso condcona a boa alcação destes dos métodos aenas em casos onde a dstrbução a ror não está em desacordo com a função de verossmlhança. Sugere-se então que os modelos sejam usados em conjunto. Caso o SIR ou o Método da Rejeção selecone amostras equenas, exstrá a ndcação de que a nformação a ror não é boa, assm as estmatvas a osteror obtdas va Gbbs Samlng odem não ser consstentes. Caso contráro todos os métodos são consderados efcentes e odem ser usados na realzação de nferêncas. No caso Posson, observou-se que os métodos SIR e MR não são efcentes em stuações onde a dstrbução a ror do arâmetro de nteresse está to afastada da realdade. Aconselha-se então, em stuações onde não se tem nformações razoáves sobre o arâmetro de nteresse a ror, a se usar dstrbuções a ror bem ouco nformatvas. Para os casos em que a dstrbução a ror do arâmetro de nteresse está róxma da realdade, tas métodos se mostraram bem efcentes ara aroxmar a dstrbução a osteror exata do arâmetro. Vale destacar, orém, que o Método Gbbs Samlng nem semre ode ser utlzado, os exge que as dstrbuções condconas comletas sejam conhecdas, o que não ocorre semre. Aconselha-se então, ara casos semelhantes aos estudados, utlzar o método Gbbs Samlng semre que as dstrbuções condconas comletas forem conhecdas. Agradecmentos Flávo Bambrra Gonçalves e Vnícus Dnz Mayrnk são bolsstas do rograma Pbc-CNPq. A esqusa de Rosâgela Helena Losch é arcalmente fnancada elo CNPq (/-7). Frederco R. B. da Cruz agradece ao CNPq (89/96-8 e 46/94-6) e FAPEMIG (CEX 89/98 e CEX 8/98). Referêncas Bblográfcas Gelfand, A. E. e Smth, A. F. M. (99) Samlng based aroaches to calculatng margnal denstes. Journal of the Amercan Statstcal Assocaton. V. 8 Pg Gelfand, A. E. e Smth, A. F. M. (99) Bayesan Statstcs Wthout Tears: A Samlng Resamlng Perectve. The Amercan Statstcan. V. 46 Pg Geman, S. e Geman, D. (984) Stochastc relaxaton, Gbbs dstrbutons and the Bayesan restoraton of mages. IEEE transactons on Pattern Analyss and Machne Intellgence. V.6. Pag Hastngs, W. K. (97) Monte Carlo samlng methods usng Markov chans and ther alcatons Bometrka. V.7 Pg Metrools, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H. e Teller, E.(9) 7
MÉTODO DE RESSECÇÃO APLICADO NA DETERMINAÇÃO DE COORDENADAS NO MONITORAMENTO DE PONTOS
III Smóso raslero de êncas Geodéscas e Tecnologas da Geonformação Recfe - E, 7-30 de Julho de 010. 001-005 MÉTODO DE RESSEÇÃO LIDO N DETERMINÇÃO DE OORDENDS NO MONITORMENTO DE ONTOS FINI D.. MIRND LUÍS.
Leia mais5945851-1 Psicologia Conexionista Antonio Roque Aula 6. A Adaline
594585- Pscologa Conexonsta Antono Roque Aula 6 A Adalne Poucos meses aós a ublcação do teorema da convergênca do Percetron or Rosenblatt, os engenheros da Unversdade de Stanford Bernard Wdrow (99 ) e
Leia maisAplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade
Aplcações de Estmadores Bayesanos Empírcos para Análse Espacal de Taxas de Mortaldade Alexandre E. dos Santos, Alexandre L. Rodrgues, Danlo L. Lopes Departamento de Estatístca Unversdade Federal de Mnas
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisCap 3 Concorrência Perfeita e Análise de Bem Estar
Nota: Este materal fo desenvolvdo elo rof. Roland Veras Saldanha Jr, e reresenta uma rmera versão de materal a ser transformado em lvro ddátco. Reservam-se os dretos autoras sobre o mesmo, mas comentáros
Leia maisPROVA DE MATEMÁTICA DA UFMG VESTIBULAR 2011 2 a Fase. RESOLUÇÃO: Profa. Maria Antônia Gouveia.
PROVA DE MATEMÁTICA DA UFMG VESTIBULAR 0 a Fase Profa Mara Antôna Gouvea PROVA A QUESTÃO 0 Consdere as retas r, s e t de equações, resectvamente, y x, y x e x 7 y TRACE, no lano cartesano abaxo, os gráfcos
Leia maisFUNDAMENTOS DA PROGRAMAÇÃO SEMAFÓRICA
Lus Vlanova * FUNDMENOS D PROGRMÇÃO SEMFÓRIC resentação Este artgo detalha os rmeros assos da teora de cálculo da rogramação semafórca de um semáforo solado, deduzndo as equações báscas do temo de cclo
Leia maisINÁCIO ANDRUSKI GUIMARÃES
INÁCIO ANDRUSKI GUIMARÃES MODELOS DE REGRESSÃO LOGÍSICA OCULO E DE COMPONENES PRINCIPAIS PARA RECONHECIMENO E CLASSIFICAÇÃO DE PADRÕES COM VARIÁVEL RESPOSA POLIÔMICA ese aresentada como requsto arcal à
Leia maisSINTONIA DE CONTROLADORES P.I.D. João Lourenço Realizado em Janeiro de 96 e revisto em Janeiro de 97
SINTONIA DE CONTROLADORES P.I.D. João Lourenço Realzado em Janero de 96 e revsto em Janero de 97 O resente texto retende, ncalmente, dar a conhecer quas as característcas rncas das váras acções de controlo,
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisO CASO NESTLÉ-GAROTO E REFLEXÕES PARA O USO DE MODELOS DE SIMULAÇÃO NA ANÁLISE ANTITRUSTE
O ASO NESTLÉ-GAROTO E REFLEXÕES PARA O USO E MOELOS E SIMULAÇÃO NA ANÁLISE ANTITRUSTE Ian Ramalho Guerrero 1 Resumo O uso de modelos de smulação tem sdo cada vez mas recorrente em casos de concentração
Leia maisDespacho Económico-Ambiental de Sistemas de Energia Termoeléctricos Inseridos no Mercado de Carbono
Desacho Económco-Ambental de Sstemas de Energa Termoeléctrcos Inserdos no Mercado de Carbono V.M.F. Mendes, J.P.S. Catalão, S.J.P.S. Marano e L.A.F.M. Ferrera Deartamento de Engenhara Electrotécnca e Automação
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisPortfelio Sharpe Três lideres
Portfelo Share Três lderes Consderemos uma teora de ortfólo de alcatvos ara a cração de nstrumentos comlexos. este artgo, vamos mostrar como odemos crar uma cartera de comérco, mlementada utlzando tecnologas
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisA esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva.
Dstrbução de Frequênca Tabela prmtva ROL Suponhamos termos feto uma coleta de dados relatvos à estaturas de quarenta alunos, que compõem uma amostra dos alunos de um colégo A, resultando a segunte tabela
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maisMÉTODO DE FIBONACCI. L, em que L
Métodos de bonacc e da Seção Aúrea Adotando a notação: MÉTODO DE IBOACCI L e L L, em que L b a, resulta a: ncal orma Recursva: ara,,, - (-a) ou ara,,, - (-b) A esta equação se assoca a condção de contorno
Leia maisAnálise do jogo de barganha no setor de contratação de uma empresa de transporte
XXV Encontro Nac. de Eng. de Produção Porto Alegre, RS, Brasl, 9 out a 0 de nov de 005 Análse do jogo de barganha no setor de contratação de uma emresa de transorte Paulo Fernando do Rêgo Barros Júnor
Leia mais1. Introdução 2. Misturas Gaussianas
Ajuste de Msturas Gaussanas utlzando Algortmo de Maxmzação da Esperança e Crtéro de Comprmento de Descrção Mínmo para Modelagem de Tráfego VoIP Chela Mendes de Olvera Escola de Engenhara Elétrca e de Computação
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisESCOLA POLITÉCNICA DE PERNAMBUCO i. Ars Longa, Vita Brevis. Hipócrates
Ars Longa Vta Brevs. Hócrates Resumo Gestão de estoques de rodutos estmatvas e metas de vendas aroração de custos e lucros em uma emresa do setor varesta são algumas das atvdades que devem estar dretamente
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisde Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR
APLICAÇÃO DE SISTEMAS FUZZY EM MOTORES DE INDUÇÃO PARA IDENTIFICAÇÃO DE TORQUE DE CARGA SÉRGIO F. DA SILVA *, IVAN N. SILVA *, ALESSANDRO GOEDTEL #, CRISTIANO MINOTTI * * Laboratóro de Automação Intelgente
Leia maisPREVISÃO DE PARTIDAS DE FUTEBOL USANDO MODELOS DINÂMICOS
PREVISÃO DE PRTIDS DE FUTEBOL USNDO MODELOS DINÂMICOS Oswaldo Gomes de Souza Junor Insttuto de Matemátca Unversdade Federal do Ro de Janero junor@dme.ufrj.br Dan Gamerman Insttuto de Matemátca Unversdade
Leia maisSOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEPENDENTE DA TEMPERATURA E GERAÇÃO DE CALOR
SOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEENDENTE DA TEMERATURA E GERAÇÃO DE CALOR E. T. CABRAL,. A. ONTES, H. K. MIYAGAWA, E. N. MACÊDO 3 e J. N. N. QUARESMA 3
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisDISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL
DISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL Dstrbuton of the wnd acton n the bracng elements consderng
Leia mais3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas
PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas
Leia maisEm muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.
.4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisModelo Multi-Estado de Markov em Cartões de Crédito. Daniel Evangelista Régis Rinaldo Artes
Modelo Mult-Estado de Markov em Cartões de Crédto Danel Evangelsta Régs Rnaldo Artes Insper Workng Paper WPE: 137/2008 Copyrght Insper. Todos os dretos reservados. É probda a reprodução parcal ou ntegral
Leia maisde Carvalho, Alexandre Xavier Ywata; da Silva, Gabriela Drummond Marques; de Almeida Júnior, Gilberto Rezende; Albuquerque, Pedro Henrique de Melo
econstor www.econstor.eu Der Open-Access-Publkatonsserver der ZBW Lebnz-Informatonszentrum Wrtschaft The Open Access Publcaton Server of the ZBW Lebnz Informaton Centre for Economcs de Carvalho, Alexandre
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia maisANÁLISE EXPLORATÓRIA DE DADOS
CENTRO DE CIÊNCIAS EXATAS CCE DEPARTAMENTO DE ESTATÍSTICA Curso de Especalzação Lato Sensu em Estatístca ANÁLISE EXPLORATÓRIA DE DADOS Professor: Dr. Waldr Medr medr@uel.br Londrna/Pr Março de 011 ÍNDICE
Leia maise) 02) Com os dados fornecidos na figura abaixo (espelho côncavo), calcule a que distância do vértice (V) se encontra a imagem do objeto (O).
PROVA DE FÍSICA 2º ANO - ª MENSAL - 3º TRIMESTRE TIPO A 0) Um objeto O é colocado em rente a um eselho côncavo de centro de curvatura em C. Assnale a oção que melhor determna a osção e o tamanho da magem
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisAnálise multivariada do risco sistemático dos principais mercados de ações da América Latina: um enfoque Bayesiano
XXVI ENEGEP - Fortaleza, CE, Brasl, 9 a 11 de Outubro de 006 Análse multvarada do rsco sstemátco dos prncpas mercados de ações da Amérca Latna: um enfoque Bayesano André Asss de Salles (UFRJ) asalles@nd.ufrj.br
Leia mais1. Introdução. 1 Exemplos na América Latina são Argentina, Chile, Colômbia, México, Uruguai e Venezuela. No resto do mundo,
Sumáro 1. Introdução. Economa Normatva.1. Informação Smétrca e Inconsstênca Dnâmca.. A Proosta de Rogoff.3. Indeendênca e Flexbldade 3. Economa Postva 3.1. O Modelo de Cukerman: Elementos e Equlíbro 3..
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisCaderno de Exercícios Resolvidos
Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B
Leia maisGERENCIAMENTO DAS ENTREGAS CENTRALIZADAS DE UMA REDE DE LOJAS DE VAREJO À LUZ DO PROBLEMA DE ROTEAMENTO DE VEÍCULOS CAPACITADOS COM FROTA HETEROGÊNEA
GERENCIAMENTO DAS ENTREGAS CENTRALIZADAS DE UMA REDE DE LOJAS DE VAREJO À LUZ DO PROBLEMA DE ROTEAMENTO DE VEÍCULOS CAPACITADOS COM FROTA HETEROGÊNEA Resumo Cassus Tadeu Scarn Programa de Pós Graduação
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisDepartamento de Engenharia Geográfica, Geofísica e Energia Faculdade de Ciências da Universidade de Lisboa TERMODINÂMICA APLICADA.
ERMODINÂMICA APLICADA Deartamento de Engenhara Geográfca, Geofísca e Energa Faculdade de Cêncas da Unversdade de Lsboa ERMODINÂMICA APLICADA Programa. Concetos báscos da ermodnâmca. 2. Prncío Zero da termodnâmca.
Leia maisUTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:
UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje
Leia maisMODELO DE SUSPENSÃO MacPHERSON UTILIZANDO TRANSFORMADORES CINEMÁTICOS
MODELO DE SUSPENSÃO MacPHESON UTILIZANDO TANSFOMADOES CINEMÁTICOS Jorge A. M. Gós e-mal: jamg@eq.me.eb.br Clódo A. P. Sarzeto e-mal: de4sarzet@eq.me.eb.br Insttuto Mltar de Engenhara, Deartamento de Engenhara
Leia maisFELIPE RICARDO SANTOS DE GUSMÃO UMA ABORDAGEM BAYESIANA PARA DISTRIBUIÇÃO WEIBULL INVERSA GENERALIZADA
FELIPE RICARDO SANTOS DE GUSMÃO UMA ABORDAGEM BAYESIANA PARA DISTRIBUIÇÃO WEIBULL INVERSA GENERALIZADA RECIFE-PE - DEZ/2008 UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisAplicação do Método Bootstrap na Estimação de Fronteiras Nãoparamétricas: O Caso dos Fruticultores do Vale do São Francisco
APLICAÇÃO DO MÉTODO BOOTSTRAP NA ESTIMAÇÃO DE FRONTEIRAS NÃO-PARAMÉTRICAS: O CASO DOS FRUTICULTORES DO VALE DO SÃO FRANCISCO embarros00@yahoo.fr APRESENTACAO ORAL-Evolução e estrutura da agropecuára no
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisComprimento de Arco. Comprimento de Arco
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Comprmento de Arco
Leia maisProbabilidade: Diagramas de Árvore
Probabldade: Dagramas de Árvore Ana Mara Lma de Faras Departamento de Estatístca (GET/UFF) Introdução Nesse texto apresentaremos, de forma resumda, concetos e propredades báscas sobre probabldade condconal
Leia maisBALANÇO HÍDRICO: UMA FERRAMENTA PARA GESTÃO INDUSTRIAL E OTIMIZAÇÃO AMBIENTAL.
BALANÇO HÍDRICO: UMA FERRAMENTA PARA GESTÃO INDUSTRIAL E OTIMIZAÇÃO AMBIENTAL. Leonardo Slva de Souza (1) Mestrando em Engenhara Químca(UFBA). Pesqusador da Rede Teclm. Bárbara Vrgína Damasceno Braga (1)
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO
ANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO J. W. B. Lopes 1 ; E. A. R. Pnhero 2 ; J. R. de Araújo Neto 3 ; J. C. N. dos Santos 4 RESUMO: Esse estudo fo conduzdo
Leia maisE FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL
E FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL Clarssa Côrtes Pres Ernesto Cordero Marujo José Cechn Superntendente Executvo 1 Apresentação Este artgo examna se o rankng das Undades
Leia maisPROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA
PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Mauro aghettn Mara Manuela Portela DECvl, IST, 0 PROBABILIDADE E ESTATÍSTICA APLICADAS À HIDROLOGIA Mauro aghettn Professor Assocado, Escola de Engenhara
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 7 ANÁLISE DE REGRESSÃO LINEAR Cesar Augusto Taconel Curtba-PR . INTRODUÇÃO Taconel, C.A. Análse de Regressão Lnear Ao se tratar da relação
Leia maisEFEITO DE PARÂMETROS DO MÉTODO MULTIGRID SOBRE O TEMPO DE CPU PARA A EQUAÇÃO DE BURGERS UNIDIMENSIONAL
Proceedngs o te XXVI Iberan Latn-Amercan Congress on Comutatonal Metods n Engneerng CILAMCE 005 Brazlan Assocaton or Comutatonal Mecancs (ABMEC) & Latn Amercan Assocaton o Comutatonal Metods n Engneerng
Leia maisMAE5778 - Teoria da Resposta ao Item
MAE5778 - Teora da Resposta ao Item Fernando Henrque Ferraz Perera da Rosa Robson Lunard 1 de feverero de 2005 Lsta 2 1. Na Tabela 1 estão apresentados os parâmetros de 6 tens, na escala (0,1). a b c 1
Leia maisEST 220 ESTATÍSTICA EXPERIMENTAL
UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE ESTATÍSTICA EST 0 ESTATÍSTICA EXPERIMENTAL Vçosa Mnas Geras 00 / II UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de
Leia mais! Superlntenrlencia Reg.onaJ do Ma:toGro$So. Qualificação e Reinserção Profissional dos Resgatados do Trabalho Escravo elou em AÇÃO INTEGRADA
",, 1," ;,,," 1, C?5lMnstérO Públco do "':'1"') Trabalho PRT 23,! Superlntenrlenca RegonaJ do Ma:toGro$So!! (', ' \_ \ '1 j t t' 1 PROJETO: Qualfcação e Renserção Profssonal dos Resgatados do Trabalho
Leia maisis: corrente pelo transitor vs: tensão sobre o transistor
4. CONRSOR ABAIXADOR-ADOR D TNSÃO COMO PRÉ- RGUADOR D FATOR D POTÊNCIA ste to de conversor ermte ter na saída tensões menores ou maores do que a tensão de entrada. Funconando como PFP suas rncas vantagens
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisDesenvolvimento de software dedicado à gestão de estoques em indústrias de polpa de fruta
SCIENTIA PLENA VOL. 9, NUM. 5 2013 www.scentaplena.org.br Desenvolvmento de software dedcado à gestão de estoques em ndústras de polpa de fruta Software development dedcated to nventory management n frut
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisPROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC)
PROBLEMS SOBRE PONTOS Dav Máxmo (UFC) e Samuel Fetosa (UFC) Nível vançado Dstrbur pontos num plano ou num espaço é uma tarefa que pode ser realzada de forma muto arbtrára Por sso, problemas sobre pontos
Leia maisUniversidade Federal do Rio de Janeiro. Escola Politécnica. Departamento de Eletrônica e de Computação
Unversdade Federal do Ro de Janero Escola oltécnca Departamento de Eletrônca e de Computação CALIBRAÇÃO E RELANEJMENTO DE TAREFAS ARA UM ROBÔ INDUSTRIAL EM AMBIENTES HOSTIS Autor: Orentador: Coorentador:
Leia maisRODRIGO LUIZ PEREIRA LARA DESEMPENHO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA
RODRIGO LUIZ PEREIRA LARA DESEMPENO DO GRÁFICO DE CONTROLE CUSUM TABULAR PARA O MONITORAMENTO DA MÉDIA Dssertação apresentada à Unversdade Federal de Vçosa, como parte das exgêncas do Programa de Pós Graduação
Leia mais2 Técnicas convencionais usadas na modelagem de sistemas não lineares
Ténas onvenonas usadas na modelagem de sstemas não lneares Ténas onvenonas usadas na modelagem de sstemas não lneares.1. Revsão Bblográfa Os modelos lneares desemenharam um mortante ael no desenvolvmento
Leia maisUTILIZAÇÃO DE TÉCNICAS MULTIVARIADAS NA CLASSIFICAÇÃO DE FASES DE CRESCIMENTO DA LEUCENA
LEONARDO MENDES DE LIMA JUNIOR UTILIZAÇÃO DE TÉCNICAS MULTIVARIADAS NA CLASSIFICAÇÃO DE FASES DE CRESCIMENTO DA LEUCENA RECIFE 006 UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO Programa de Pós-Graduação em
Leia maisManual dos Indicadores de Qualidade 2011
Manual dos Indcadores de Qualdade 2011 1 Dretora de Avalação da Educação Superor Clauda Maffn Grbosk Coordenação Geral de Controle de Qualdade da Educação Superor Stela Mara Meneghel Equpe Técnca: José
Leia maisMedidas de tendência central. Média Aritmética. 4ª aula 2012
Estatístca 4ª aula 2012 Meddas de tendênca central Ajudam a conhecer a analsar melhor as característcas de dados colhdos. Chamamos de meddas de tendênca central em decorrênca dos dados observados apresentarem
Leia maisControle de qualidade de produto cartográfico aplicado a imagem de alta resolução
Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca
Leia maisProf. A.F.Guimarães Questões de termologia 7
Questão (FUES SP) Uma equena bolha de ar, artndo da rounddade de, m abaxo da sueríce de um lago, tem seu volume aumentado em % ao chegar à sueríce. Suonha que a temeratura do lago seja constante e unorme,
Leia maisExperiência III (aula 05) Distância focal de uma lente
Exerênca III (aula 05) Dstânca de uma lente 1. Objetvos 2. Introdução 3. Medda da dstânca de uma lente delgada Dstânca de uma lente convergente 4. Arranjo e rocedmento exermental 5. Análse de dados 6.
Leia maisAnálise do Retorno da Educação na Região Norte em 2007: Um Estudo à Luz da Regressão Quantílica.
Análse do Retorno da Edcação na Regão Norte em 2007: Um Estdo à Lz da Regressão Qantílca. 1 Introdcão Almr Rogéro A. de Soza 1 Jâno Macel da Slva 2 Marnalva Cardoso Macel 3 O debate sobre o relaconamento
Leia maisCONGRESSO DE INICIAÇÃO CIENTÍFICA E PÓS-GRADUAÇÃO - I CICPG SUL BRASIL Florianópolis 2010
Floranópols 200 ANÁLISE COMPARATIVA DA INFLUÊNCIA DA NEBULOSIDADE E UMIDADE RELATIVA SOBRE A IRRADIAÇÃO SOLAR EM SUPERFÍCIE Eduardo Wede Luz * ; Nelson Jorge Schuch ; Fernando Ramos Martns 2 ; Marco Cecon
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisAUTÔMATOS HÍBRIDOS: MODELAGEM E ANÁLISE DE SISTEMAS DE TRANSFERÊNCIA E DISTRIBUIÇÃO DE GÁS NATURAL
AUTÔMATOS HÍBRIDOS: MODELAGEM E ANÁLISE DE SISTEMAS DE TRANSFERÊNCIA E DISTRIBUIÇÃO DE GÁS NATURAL ROBSON A. CALVO, CLEVERSON M. CORREIA E SILVA, RICARDO J. MARTINCOSKI, FLÁVIO NEVES JR., LUCIA V. R. ARRUDA
Leia maisCAPÍTULO 7 - ESTIMAÇÃO DE PARÂMETROS
CAPÍTULO 7 - ESTIMAÇÃO DE PARÂMETROS Nos capítulos anterores analsaram-se város modelos usados na avalação de manancas, tendo-se defndo os respectvos parâmetros. Nas correspondentes fchas de exercícos
Leia maisCAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade
CAPÍTULO 4 - Varáves aleatóras e dstrbuções de probabldade Conceto de varável aleatóra Uma função cujo valor é um número real determnado por cada elemento em um espaço amostral é chamado uma varável aleatóra
Leia mais7.4 Precificação dos Serviços de Transmissão em Ambiente Desregulamentado
64 Capítulo 7: Introdução ao Estudo de Mercados de Energa Elétrca 7.4 Precfcação dos Servços de Transmssão em Ambente Desregulamentado A re-estruturação da ndústra de energa elétrca que ocorreu nos últmos
Leia maisExpressão da Incerteza de Medição para a Grandeza Energia Elétrica
1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos
Leia maisProf. Antônio Carlos Fontes dos Santos. Aula 1: Divisores de tensão e Resistência interna de uma fonte de tensão
IF-UFRJ Elementos de Eletrônca Analógca Prof. Antôno Carlos Fontes dos Santos FIW362 Mestrado Profssonal em Ensno de Físca Aula 1: Dvsores de tensão e Resstênca nterna de uma fonte de tensão Este materal
Leia maisSistemas de equações lineares
Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes
Leia maisAnálise de Variância. Introdução. Rejane Sobrino Pinheiro Tania Guillén de Torres
Análse de Varânca Rejane Sobrno Pnhero Tana Gullén de Torres Análse de Varânca Introdução Modelos de análse de varânca consttuem uma classe de modelos que relaconam uma varável resposta contínua com varáves
Leia maisUTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS
UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS ALESSANDRA MEMARI PAVANELLI UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO
Leia mais