ESTATÍSTICA COMPUTACIONAL
|
|
- Carla Faro Macedo
- 6 Há anos
- Visualizações:
Transcrição
1 ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro
2 Sumário Inferência com dimensão variável
3 Modelos com dimensão variável Definição: modelo onde uma das quantidades desconhecidas é o número de quantidades desconhecidas. Em outras palavras, a dimensão do espaço de parâmetros não é fixa. Isso está relacionado com o problema de seleção de modelos. Exemplo: considere K covariáveis que possivelmente estão relacionadas com a variável y, sendo K grande. y i = β 1 x i1 + + β K x ik + ε i, Neste caso, temos 2 K modelos possíveis. Como selecionar modelos nesse contexto?
4 Seleção ou estimação? Considere o problema geral de escolher entre K modelos para um conjunto de dados observados z, M k = {p(z θ k ) : θ k Θ k }. Note que o espaço paramétrico em um problema com K modelos é Θ = k [{k} Θ k ]. Estimação nesse contexto não é um problema trivial. Por exemplo, ao considerarmos esse espaço paramétrico há uma tendência a super-estimar o número de parâmetros levando a um super-ajuste dos dados. Por outro lado, se consideramos esse uma problema puramente de decisão, escolheremos um modelo mais provável, que pode levar a grandes erros.
5 Seleção bayesiana de modelos Atribua probabilidades a priori para cada modelo possível: Pr(M 1 ),..., Pr(M J ), tal que J j=1 Pr(M j) = 1. E também uma distribuição a priori para os parâmetros de cada modelo: f (θ M j ),, j = 1,..., J. Abordagem direta: estimar a probabilidade a posteriori de cada modelo. Nesse caso, f (z M j ) Pr(M j ) Pr(M j z) = J k=1 f (z M k) Pr(M k ), sendo f (z M j ) a preditiva do modelo M j.
6 Reescrevendo temos Pr(M j ) f (z θ j, M j )f (θ j M j )dθ j Θ j Pr(M j z) =, J k=1 Pr(M k) f (z θ k, M k )f (θ k M k )dθ k Θ k a probabilidade a posteriori do modelo M j. Decisão: escolher o modelo com a maior probabilidade Pr(M j z) ou uma combinação de modelos, isto é, seja y a observação a ser predita, f (y M j, z) = f (y θ j, z)f (θ j z)dθ j, Θ j e, portanto, f (y z) = J f (y M j, z) Pr(M j z). j=1 Veja Hoeting, Madigan, Raftery and Volinsky (1999), bayesian model averaging, Statistical Science, 14, pp
7 Medidas para seleção de modelos Vimos que o fator de Bayes pode ser usado para comparar vários modelo, B 10 = f (z M 1) f (z M 0 ). Reescrevendo, temos que a chance a posteriori é dada por f (M 1 z) f (M 0 z) = Pr(M 1)f (z M 1 ) Pr(M 0 )f (z M 0 ) = Pr(M 1) Pr(M 0 ) B 10.
8 Critério preditivo a posteriori Gelfand e Gosh (1998), Model choice: A minimum posterior predictive loss approach, Biometrika, 85, Introduziram o critério preditivo a posteriori. Sob perda quadrática, devemos escolher o modelo que minimiza E((y z) (y z) z, M j ) = n n Var(y i z i, M j ) + [z i E(y i z, M j )] 2, i=1 i=1 sendo y 1,..., y n previsões ou réplicas de z 1,..., z n. Definimos D = P + G (penalidade+ajuste) com n P = Var(y i z i, M j ) G = i=1 n [z i E(y i z, M j )] 2. i=1
9 Critério de informação do desvio Spiegelhalter, Best, Carlin e Van der Linde (2002), Bayesian measures of model complexity and fit, Journal of the Royal Statistical Society, Series B, 64, pp Seja θ = E(θ z) e D(θ) = 2 ln f (z θ). Então, DIC = D + p d (bondade de ajuste+penalização), sendo D = E(D(θ) z) e p d = D D(θ ). O menor DIC indica o melhor ajuste do modelo.
10 O DIC é computacionalmente atrativo pois pode ser facilmente calculado das saídas de um Monte Carlo via cadeias de Markov. Sejam θ (1),...,θ(M) valores gerados utilizando Monte Carlo via cadeias de Markov. Então, D = E(D(θ) z) 1 M D(θ (k) ). M E também k=1 D(θ ) D(θ), com θ = 1 M M θ (k). (Ver exemplo no OpenBUGS: Regressao.odc e dados_regressao.txt) k=1
11 Inferência com dimensão variável Monte Carlo via cadeias de Markov com saltos reversíveis Exemplo: considere o problema de fazer inferência para dois modelos e seus parâmetros simultaneamente; Considere que M 1 tem um parâmetro θ e M 2 tem dois parâmetros {θ 1, θ 2 }; O algoritmo de Monte Carlo via cadeias de Markov com saltos reversíveis faz inferência para θ, θ 1 e θ 2, e para o modelo {M 1, M 2 }; Em um único algoritmo iremos mover a cadeia do modelo M 1 para o M 2 e do modelo M 2 para o M 1 ; O movimento de M 2 para M 1 é determinístico; Por exemplo, θ = θ 1 + θ 2 ; e 2 E o movimento de M 1 para M 2?
12 Inferência com dimensão variável Uma maneira interessante de simular ambos parâmetros e modelos é utilizando Monte Carlo via cadeias de Markov com saltos reversíveis. O algoritmo é construído de forma a manter a condição de balanceada detalhada. Green (1995) e capítulo 7 do livro de Gamerman e Lopes. Por exemplo, considere dim(θ 1 ) > dim(θ 2 ). Então o movimento de Θ 1 para Θ 2 pode ser representado por uma transformação determinística de θ 1, θ 2 = T (θ 1 ). Green (1995) impõe uma condição de igualdade de dimensões que diz que o movimento oposto de Θ 2 para Θ 1 é concentrado em {θ 1 : θ 2 = T (θ 1 )}. No caso geral, se θ 1 é completado por simulação u 1 g 1 (u 1 ) em (θ 1, u 1 ) e θ 2 por u 2 g 2 (u 2 ) em (θ 2, u 2 ) tal que o mapeamento entre (θ 1, u 1 ) e (θ 2, u 2 ) é uma bijeção, (θ 2, u 2 ) = T (θ 1, u 1 ).
13 Inferência com dimensão variável O algortimo se basea na seguinte identidade: f (θ k, k y) = f (y θ k, k)f k (θ k k)f (k). f (y) A probabilidade de aceitar um movimento de M 1 para M 2 é dada por { mín 1, f (2, θ 2 y)π 21 φ 21 (u 2 ) T } 12(θ 1, u 1 ), f (1, θ 1 y)π 12 φ 12 (u 1 ) (θ 1, u 1 ) sendo f (j, θ j y) ée a distribuição a posteriori de θ j sob o modelo M j ; π ij é a probabilidade de escolher um movimento para o modelo M j enquanto estamos no modelo M i ; e T 12(θ 1, u 1 ) é o Jacobiano da tranformação. (θ 1, u 1 )
14 Inferência com dimensão variável Algoritmo Na iteração k, temos (m, θ (k) m ) 1. Selecione o modelo M n com probabilidade π mn; 2. Gere u mn φ mn(u); 3. Defina (θ n, v nm) = T mn(θ (k) m, u mn); 4. Tome θ (k+1) n = θ n com probabilidade { f (n, θ n y)π nmφ nm(v nm) mín 1, f (m, θ (k) m y)π mnφ mn(u mn) e tome θ (k+1) m = θ (k) m caso contrário. Tmn(θ(k) (θ (k) } m, u nm), m, u nm)
15 Inferência com dimensão variável Escolha da proposta A escolha das densidades propostas φ ij deve ser feita com cautela. Em especial em altas dimensões. Amostrador independente: se todos os parâmetros são amostrados de sua distribuição proposta, então T ij é identidade e o jacobiano é igual a 1. (Nenhuma transformação é feita nesse caso.) Se o modelo proposto é igual ao corrente, M m = M n, então o passo de aceitação corresponde a um passo usual de Metropolis.
16 Inferência com dimensão variável Proposta independente com momentos baseados na posteriori Considere que estimativas de média e variância a posteriori estejam disponíveis para os parâmetros de cada modelo; Nesse caso, uma proposta independente pode ser usada. Por exemplo, θ N (Ê(θ y), Var(θ y)). O movimento de um modelo M m para outro M n terá jacobiano 1; A probabilidade de aceitação será dada por { } mín 1, ln(θ n y)f n(θ n)φ m(θ m) l m(θ m y)f m(θ m)φ n(θ. n)
17 Inferência com dimensão variável Exemplo Falha de ar condicionados de aviões (Berger e Pericchi, 1996). Para cada avião sugere-se usar os modelos abaixo: M 0 : (y i µ, σ 2 ) LN (µ, σ 2 ), µ R, σ 2 > 0 M 1 : (y i γ, δ) Weibull(γ, δ), γ > 0, δ > 0. Berger e Pericchi (1996), Intrinsic Bayes factor for model selection and prediction, Journal of the American Statistical Association, 91, Utilizaremos um Monte Carlo via cadeias de Markov com saltos reversiveis com proposta de transição independente θ = (θ 1, θ 2 ) tal que θ N 2 (µ θ, Σ θ ). (Mostrar exemplo no R: exemplo_58.r)
Introdução a Inferência Bayesiana
Introdução a Inferência Bayesiana Helio S. Migon IM and COPPE - UFRJ migon@im.ufrj.br 2006 Conteúdo 1. Conceitos Básicos da Inferência 2. Distribuição a Priori 3. Sumariazação 4. Inferência Preditiva 1
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória
Leia maisInferência Bayesiana - Aula 1 -
Inferência Bayesiana - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisA Bayesian Reassessment of Nearest-Neighbor Classification (2009)
A Bayesian Reassessment of Nearest-Neighbor Classification (2009) Cucala, Marin, Robert e Titterington André Yoshizumi Gomes (IME/USP) Seminário ministrado no Insper 5 de fevereiro de 2016 O método knn
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisINFERÊNCIA BAYESIANA EM MODELOS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE PARA MEDIA E VARIÂNCIA. Esther Salazar-Gonzales
INFERÊNCIA BAYESIANA EM MODELOS AUTO-REGRESSIVOS COM TRANSIÇÃO SUAVE PARA MEDIA E VARIÂNCIA por Esther Salazar-Gonzales Dissertação de Mestrado submetida ao programa de Pós-graduação em Estatística. Instituto
Leia maisAjuste de um modelo de TRI aos dados do vestibular 2011.2 do curso de Administração Noturno da Universidade Federal de Uberlândia
Ajuste de um modelo de TRI aos dados do vestibular 20.2 do curso de Administração Noturno da Universidade Federal de Uberlândia José Waldemar da Silva 2 Mirian Fernandes Carvalho Araújo 2 Lucio Borges
Leia maisDeterminação do tamanho amostral: uma abordagem genuinamente Bayesiana
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, 66610-190,
Leia 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 maisInferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear
Inferência Bayesiana para estimação da taxa de falha de bombas de um sistema de resfriamento de uma usina nuclear Márcio José das Chagas Moura (UFPE) marciocmoura@gmail.com Enrique López Droguett (UFPE)
Leia maisPredição Espacial Bayesiana Para Dados Composicionais
Aluna de Doutorado: Orientador: Paulo Justiniano Ribeiro Junior Universidade Federal do Paraná Programa de Pós-Graduação em Métodos Numéricos em Engenharia 19 de outubro de 2009 Tese Motivação Dados Composicionais
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisInferência em Modelos Lineares Assimétricos
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA Inferência em Modelos Lineares Assimétricos Bárbara da Costa Campos Dias Orientador: Clécio da Silva Ferreira
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisMÉTODOS DE ESTIMAÇÃO PARA RISCOS COMPETITIVOS
UNIVERSIDADE FEDERAL DE SÃO CARLOS- DEPARTAMENTO DE ESTATÍSTICA MÉTODOS DE ESTIMAÇÃO PARA RISCOS COMPETITIVOS Agatha S. Rodrigues UFSCar - DEs UNIVERSIDADE FEDERAL DE SÃO CARLOS- DEPARTAMENTO DE ESTATÍSTICA
Leia maisExemplo Placas Dentárias
Exemplo Placas Dentárias Gilberto A. Paula Departamento de Estatística IME-USP, Brasil giapaula@ime.usp.br 2 o Semestre 2016 G. A. Paula (IME-USP) Placas Dentárias 2 o Semestre 2016 1 / 20 Placas Dentárias
Leia maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisTeoria dos Jogos Algorítmica Maximização de Lucros no Design de Mecanismos
Teoria dos Jogos Algorítmica Maximização de Lucros no Design de Mecanismos Luis Gustavo Rocha Vianna. Instituto de Matemática e Estatística IME Universidade de São Paulo USP Maximização de Lucros Design
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
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 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 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 maisUniversidade Federal do Rio de Janeiro SOBREVIVÊNCIA COM FRAGILIDADE ESPACIAL. Leonardo Soares Bastos
Universidade Federal do Rio de Janeiro MODELOS DINÂMICOS E ESTATÍCOS DE SOBREVIVÊNCIA COM FRAGILIDADE ESPACIAL Leonardo Soares Bastos 2003 UFRJ Modelos Dinâmicos e Estáticos de Sobrevivência com Fragilidade
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisRevisão de Modelos de regressão. Prof. Thais C O Fonseca - DME, UFRJ
Revisão de Modelos de regressão Prof. Thais C O Fonseca - DME, UFRJ Conteúdo Regressão linear simples Regressão linear múltipla Método de Mínimos Quadrados Introdução a Inferência Bayesiana em Regressão
Leia maisRestauração de Imagem e redução de ruído
Restauração de magem e redução de ruído orge Salvador Marques, 7 Aplicações imagem médica recuperação de imagens degradadas super-resolução compressive sensing orge Salvador Marques, 7 Degradação de imagem,
Leia maisTécnicas Computacionais em Probabilidade e Estatística I
c Técnicas Computacionais em Probabilidade e Estatística I Aula Chang Chiann MAE 5704- IME/SP º Sem/008 Slide c chang; /4/008 Simulação Estática Obetivo: Em análise estatística de dados, modelos estocásticos
Leia maisTESTE DE MANN-WHITNEY
TESTE DE MANN-WHITNEY A importância deste teste é ser a alternativa não paramétrica ao teste t para a diferença de médias. Sejam (X,X,...,X n ) e (Y,Y,...,Y m ) duas amostras independentes, de tamanhos
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 maisLista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL.
Introdução à Inferência Estatística Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 5 de setembro de 004 Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL. 1 Medidas Resumo DISTRIBUIÇÕES
Leia 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 maisMétodos Quantitativos para Ciência da Computação Experimental
Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia maisMATRIZES - PARTE Mais exemplos Multiplicação de duas matrizes AULA 26
AULA 26 MATRIZES - PARTE 2 26. Mais exemplos Nesta aula, veremos mais dois algoritmos envolvendo matrizes. O primeiro deles calcula a matriz resultante da multiplicação de duas matrizes e utiliza três
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
1 Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 26 de setembro de 2001
Leia mais4 Processos Estocásticos e Simulação de Monte Carlo
33 4 Processos Estocásticos e Simulação de Monte Carlo O processo estocástico faz a descrição de uma variável com comportamento ao menos em parte de maneira aleatória através do tempo, onde se assume valores
Leia maisTEORIA DA RESPOSTA AO ITEM (TRI): ESTIMAÇÃO BAYESIANA DA HABILIDADE DE INDIVÍDUOS
TEORIA DA RESPOSTA AO ITEM (TRI): ESTIMAÇÃO BAYESIANA DA HABILIDADE DE INDIVÍDUOS DÉBORA SPENASSATO 1, PAUL GERHARD KINAS 2 Resumo Este artigo tem por objetivo apresentar uma simulação da estimativa dos
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Posição financeira Uma
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisIntrodução à Inferência Estatística
Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) 2a AULA 02/03/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 2a aula (02/03/2015) MAE229 1 / 16
Leia 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 maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
Leia maisFormulário de Inscrição
Formulário de Inscrição Edital: IC - Bolsa de Iniciação Científica - 2015/1 Solicitante: Jony Arrais Pinto Junior Pedido: 213172 Instituição: Universidade Federal Fluminense Unidade: Instituto de Matemática
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Teorema Central do Limite (TCL) Se y 1, y 2,...,
Leia maisAnálise de Desempenho em Filas M/M/1 Usando uma Abordagem Bayesiana
Trabalho apresentado no III CMAC - SE, Vitória-ES, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Análise de Desempenho em Filas M/M/1 Usando uma Abordagem Bayesiana
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisPERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas);
O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); A duração de cada atividade na prática, contudo, pode ser diferente daquela prevista no projeto; Existem muitos fatores
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi regi@matufmgbr 26 de setembro
Leia maisMedições, erros aleatórios e o filtro de Kalman
Medições, erros aleatórios e o filtro de Kalman Marco Costa, marco@ua.pt ESTGA-UA, Escola Superior de Tecnologia e Gestão de Águeda CIDMA, Centro de Investigação e Desenvolvimento em Matemática e Aplicações
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 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 maisComparação de métodos para tratamento de parcelas perdidas em delineamento em blocos casualizados via simulação Monte Carlo
Comparação de métodos para tratamento de parcelas perdidas em delineamento em blocos casualizados via simulação Monte Carlo Marcela Costa Rocha 1 Maria de Lourdes Lima Bragion 1 1 Introdução A perda de
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisCLASSIFICADORES BAEYSIANOS
CLASSIFICADORES BAEYSIANOS Teorema de Bayes 2 Frequentemente, uma informação é apresentada na forma de probabilidade condicional Probabilidade de um evento ocorrer dada uma condição Probabilidade de um
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 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 maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
Leia maisInferência Estatística:
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Inferência Estatística: Princípios de Bioestatística decidindo na presença de incerteza Aula 8: Intervalos
Leia maisUMA ANÁLISE BAYESIANA PARA DADOS DE CONTAGEM LONGITUDINAIS NA PRESENÇA DE UMA COVARIÁVEL COM EFEITO ESPAÇO-TEMPORAL
UMA ANÁLISE BAYESIANA PARA DADOS DE CONTAGEM LONGITUDINAIS NA PRESENÇA DE UMA COVARIÁVEL COM EFEITO ESPAÇO-TEMPORAL Helton Graziadei de CARVALHO 1 Jorge Alberto ACHCAR 2 RESUMO: Neste artigo desenvolvemos
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia 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 maisPlano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov
Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar
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 maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisPopulação e Amostra. População: O conjunto de todas as coisas que se pretende estudar. Representada por tudo o que está no interior do desenho.
População e Amostra De importância fundamental para toda a análise estatística é a relação entre amostra e população. Praticamente todas as técnicas a serem discutidas neste curso consistem de métodos
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Testes de Hipóteses Paramétricos 1 / 41 Introdução. Hipóteses Estatísticas. Erro Tipo I
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto
Leia maisModelos espaço-temporais para óbitos por causas externas
Universidade Federal do Rio de Janeiro Modelos espaço-temporais para óbitos por causas externas Luiz Ledo Mota Melo Junior Rio de Janeiro 2008 Luiz Ledo Mota Melo Junior Modelos espaço-temporais para óbitos
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 maisUniversidade Federal do Pará Instituto de Tecnologia. Estatística Aplicada I
8/8/05 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 8/08/05 06:55 ESTATÍSTICA APLICADA
Leia maisAbordagem Bayesiana para Dados de Painel
Universidade Federal do Rio de Janeiro UFRJ Abordagem Bayesiana para Dados de Painel Nicolai Reis Castro e Rodrigo Queiroz de Souza Barros 2014 UFRJ Abordagem Bayesiana para Dados de Painel Nicolai Reis
Leia maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisRegressão Beta Multivariada com
Universidade Federal do Rio de Janeiro Instituto de Matemática Regressão Beta Multivariada com Aplicações em Pequenas Áreas Debora Ferreira de Souza Rio de Janeiro 2011 Regressão Beta Multivariada com
Leia maisForecasting e ti O i Otim Oti ização de ã d Carteiras com Matlab AULA 3
Forecasting e Otimização i de Carteiras com Matlab AULA 3 Guia de Estudo para Aula 03 Modelos Discretos Exercícios - Formulação de um modelo - Programação de modelos com for - A simulação de um modelo
Leia maisTécnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching
Técnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching Bruno César Araújo Instituto de Pesquisa Econômica Aplicada
Leia maisConceitos e aplicações de Estatística em pesquisa cientíca utilizando o R
Conceitos e aplicações de Estatística em pesquisa cientíca utilizando o R Resumo da Parte Teórica Silvio Rodrigues de Faria Junior Departamento de Estatística - IME-USP Eventos e Probabilidade. Experimento
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 maisModelos para séries temporais de dados circulares
Modelos para séries temporais de dados circulares Mariana Raniere Neves Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos 2015 Modelos para séries temporais
Leia maisRazão para rejeitar H 0
Processo do teste de hipótese Hipótese de pesquisa: a idade média da população é 5 H : μ = 5 H 1 : μ 5 É X = improvável se μ =5? População Selecionar amostra aleatória Sim: Rejeite Ho Para definir pouco
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisBAC011 - ESTATÍSTICA ANÁLISE DE VARIÂNCIA. Análise de Variância ANOVA. Prof. Dr. Emerson José de Paiva
BAC011 - ESTATÍSTICA Análise de Variância ANÁLISE DE VARIÂNCIA 1 A é utilizada para se verificar a influência de certos fatores sobre uma resposta de interesse. Testa-se como os diversos fatores exercem
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisModelos Bayesianos Assimétricos
Universidade Federal do Rio de Janeiro UFRJ Modelos Bayesianos Assimétricos Ralph dos Santos Silva 2006 UFRJ Modelos Bayesianos Assimétricos Ralph dos Santos Silva Tese de Doutorado submetida ao Programa
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 maisESTATÍSTICAS PARA INFERIR PADRÕES SELECÇÃO
ESTATÍSTICAS PARA INFERIR PADRÕES DEMOGRÁFICOS E SELECÇÃO Inferências demográficas e selectivas Os fenómenos demográficos (expansão ou redução do efectivo populacional, subdivisão, migração) e selectivos
Leia maisINTERVALOS DE CREDIBILIDADE PARA A RAZÃO DE RISCOS DO MODELO DE COX, CONSIDERANDO ESTIMATIVAS PONTUAIS BOOTSTRAP MARCELINO ALVES ROSA DE PASCOA
INTERVALOS DE CREDIBILIDADE PARA A RAZÃO DE RISCOS DO MODELO DE COX, CONSIDERANDO ESTIMATIVAS PONTUAIS BOOTSTRAP MARCELINO ALVES ROSA DE PASCOA 2008 MARCELINO ALVES ROSA DE PASCOA INTERVALOS DE CREDIBILIDADE
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 maisO efeito interacção em modelos de equações estruturais
O efeito interacção em modelos de equações estruturais Maria de Fátima Salgueiro - ISCTE Business School, Lisboa fatima.salgueiro@iscte.pt XIV Congresso Anual da SPE - Covilhã 2006 XIV CONGRESSO DA SPE
Leia maisTestes de Hipótese para uma única Amostra - parte I
Testes de Hipótese para uma única Amostra - parte I 26 de Junho de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Estruturar problemas de engenharia como testes de hipótese. Entender os
Leia mais