27 de dezembro de 2007
|
|
- Carlos de Paiva Deluca
- 5 Há anos
- Visualizações:
Transcrição
1 Curso Coriro Laplace Curso Coriro UFRPE e UFPE 27 zembro 2007 Daniels
2 Curso Coriro Laplace Daniels 1 2 Laplace 3 4 Daniels 5 6 Aplicações estatística 7 Referências
3 Curso Coriro Laplace Daniels As expansões ponto sela são muito importantes na teoria assintótica, pois aproximam forma precisa as funções nsida e distribuição. Em muitas aplicações estatísticas, as expansões têm sua importância no que se refere, por exemplo, ao cálculo dos p-valores, à construção testes e intervalos confiança para os parâmetros sconhecidos. Em muitos casos, a expansão ponto sela é utilizada para terminar limites uniformes com erros relativos sobre todo o intervalo variação da distribuição.
4 Curso Coriro Laplace Daniels Aplicações A expansão Laplace é dada por [ f (y)dy exp{h(ŷ)} 2π ] 1/2. (1) h (ŷ) Seja K Y (λ) a função geradora cumulantes. Aproximando a integral exp{k Y (λ)} com relação à variável λ, e por (1), tem-se { } (λ ˆλ) 2 2 K Y (λ) f (y) exp K Y (ˆλ) + 2 λ ˆλ 2 dλ [ 2π = exp{k Y (ˆλ)} 2 K Y (λ) λ 2 ˆλ ] 1/2. (2)
5 Curso Coriro Laplace Daniels Aplicações Obtém-se a função nsida após mudança variável a partir da função característica f Y (y) = 1 2πi T+i T i exp{k Y (λ) λy}dλ. (3) Expandindo K Y (λ) λy referente ao expoente da equação (3), obtém-se a aproximação (4). E associando esta aproximação com a equação (2), obtém-se a equação (5). K Y (λ) λy K Y (ˆλ) ˆλy + (λ ˆλ) 2 f Y (y) [ 1 2πK Y (ˆλ) 2 K Y (ˆλ). (4) ] 1/2 exp{k Y (ˆλ) ˆλy}. (5)
6 Curso Coriro Laplace Daniels A f.g.m. da média amostral (Ȳ ) é dada por φȳ (λ) = φ Y (λ/n) n e a f.g.c. é, então, KȲ (λ) = n K Y (λ/n). Assim, uma direta aplicação (5) produz a equação (6) em que o lado direito sta equação é a aproximação ponto sela da função nsida (ou probabilida) Ȳ. fȳ (ȳ) [ n 2πK Y (ˆλ) ] 1/2 exp{n[k Y (ˆλ) ˆλȳ]}. (6) A qualida da expansão ponto sela po ser freqüentemente obtida pela multiplicação da aproximação da nsida por uma constante forma que sua integração resulte em 1.
7 Curso Coriro Laplace Daniels A expansão uma distribuição é obtida expandindo a f.g.c. através da série Taylor em torno zero e invertendo-a em seguida. Sejam f Sn (s; λ) e K Sn (t; λ) as funções nsida e geratriz cumulantes S n. Definindo a família exponencial (7), obtém-se a equação (8) para S n. sendo f Sn (s) = f Sn (s; 0). f (y; λ) = exp[λy K(λ)]f (y). (7) f Sn (s; λ) = exp[sλ nk(λ)]f Sn (s), (8)
8 Curso Coriro Laplace Daniels As funções nsida S n e S n estão relacionadas por 1 f Sn (s; λ) = f S n (y; λ) nk (λ), (9) em que y = [s nk (λ)]/ nk (λ). A função f S n (y; λ) é aproximada pela expansão [ f S n (y) = φ(y) 1 + ρ 3 6 n H 3(y) + ρ ] 4 24n H 4(y) + ρ2 3 72n H 6(y) +O(n 3 2 (10)
9 Curso Coriro Laplace Daniels Aplicações Aproximando f S n (y) na origem (y = 0), obtém-se uma expansão em potências n 1. Interpretando ˆλ como a EMV λ relativa a uma única observação, tem-se sendo f Sn (s; ˆλ) = f S n (0; ˆλ){nK (ˆλ)} 1/2, f S n (0; ˆλ) = 1 2π [1 + M(ˆλ) + O(n 2 )], (11) em que M(λ) é um termo orm n 1 dado por M(λ) = 3ρ 4(λ) 5ρ 3 (λ) 2, (12) 24n sendo ρ 3 (λ) e ρ 4 (λ) os cumulantes padronizados que mem a assimetria e a curtose da distribuição Y.
10 Curso Coriro Laplace Daniels Fazendo λ = ˆλ em (8), explicitando f Sn (s) e usando (9) e (11) vem f Sn (s) = exp[nk(ˆλ) sˆλ] 2nπK (ˆλ) [1 + M(ˆλ) + O(n 2 )]. (13) O termo principal da equação (13) é chamado expansão ponto sela para a função nsida da soma estocástica S n proveniente Y.
11 Curso Coriro Laplace Daniels O interesse maior da expansão ponto sela consiste em obter aproximações precisas para probabilidas uma amostra iid n observações. Lugannani e Rice (1980) finiram uma equação bastante precisa para aproximar probabilidas ( 1 P(S n s) = Φ(ˆr) + ˆr 1ˆν ) φ(ˆr), (14) em que ˆr = sinal(ˆλ){2nˆλk (ˆλ) ˆλs} 1/2 e ˆν = ˆλ{nK (ˆλ)} 1/2.
12 Curso Coriro Laplace A aproximação (14) é boa em quase todo intervalo variação s, exceto próximo ao ponto s = E(S n ) ou r = 0, on ve ser substituída pelo seu limite, quando r 0, dado por P(S n s) = 1 2 ˆρ 3 6 2πn, em que ˆρ 3 é o terceito cumulante padronizado avaliado em ˆλ. Daniels
13 Curso Coriro Laplace Daniels A expansão para P(S n s) até O(n 1/2 ) quando s > ne(y ), ou seja, quando ˆλ > 0, válida para distribuições discretas, tem a forma (Daniels, 1987) P(S n s) = exp{(ˆr 2 + ˆν 2 )/2}{ˆλ/(1 e ˆλ )} [ { } (1 Φ(ˆν)) 1 ˆρ 3ˆν 3 6 n n ˆν (ˆλ 1 (eˆλ 1) 1 ) ˆK { }] ˆρ +φ(ˆν) 3 (ˆν 2 1) n n (ˆλ 1 (eˆλ 1) 1 ), ˆK com todas as quantidas já finidas anteriormente.
14 Curso Coriro Laplace No caso s < ne(y ), ou seja, ˆλ < 0, po-se obter P(S n s) até O(n 1/2 ) como P(S n s) = H( ˆν) + exp(n ˆK ˆλs + ˆν 2 /2) [ ( {H(ˆν) Φ(ˆν)} 1 ˆρ 3ˆν 3 6 n ) ] + φ(ˆν) ˆρ 3(ˆν 2 1) 6 n em que H(w) = 0, 1/2 e 1 quando w < 0, w = 0 e w > 0, respectivamente. Daniels
15 Curso Coriro Laplace Daniels Aplicações Em muitas aplicações a equação ponto sela (K Y (ˆλ) = y) não po ser resolvida analiticamente, mesmo quando a solução ˆλ existe. Usa-se o método Newton-Raphson para calcular o ponto sela numericamente, tendo este, em geral, bom sempenho s que a função K Y (λ) λy que é minimizada seja convexa. Há ainda o método da secante. Esse método geralmente só produz a resposta correta em uma iteração se K Y (λ) é linear, como é o caso do método Newton-Raphson. A diferença com relação ao método Newton-Raphson consiste em não existir no método secante a possibilida divergência.
16 Curso Coriro Laplace Daniels Ilustra-se com exemplos a obtenção da expansão ponto sela para a distribuição Poisson com média γ, para a distribuição exponencial com média unitária, para a distribuição normal inversa e mais um caso relacionado ao processo autorregressivo orm 1. A expansão ponto sela po, também, ser usada em distribuições discretas. Sejam Y 1,...,Y n variáveis aleatórias iid seguindo uma distribuição Poisson com média γ. A f.g.c. Y i é dada por K Y (λ) = γ {exp(λ) 1} tendo como ponto sela ˆλ = log(ȳ/γ).
17 Curso Coriro Laplace Daniels A equação (6) po ser usada diretamente, mas agora a média só po assumir valores tais que ȳ = r/n para r inteiro. Substituindo na equação, obtém-se [ 1 fȳ (ȳ) 2πnȳ [ ] 1 1/2 fȳ (ȳ) = e γn γ nȳ 2πn ] 1/2 [ (ȳ exp{ n γ ȳ nȳ+1/2. ) γ 1 ( log ȳ ) ]} ȳ. γ Essa quantida exata da distribuição Ȳ é obtida pela aproximação Stirling.
18 Curso Coriro Laplace Daniels Tabela: Calculando P(S n s) com as aproximações ponto sela para a distribuição Poisson (γ = 1, n = 1, 5 e 10). n s Exato L-R (1980) Daniels (1987) 1 1,0 0,6321 0,6330 0,6330 3,0 0,0803 0,0804 0,0790 7,0 0, , , ,0 0, , , ,0 0, , , ,0 0,8753 0,8752 0,8765 5,0 0,5595 0,5595 0, ,0 0, , , ,0 0, , , ,0 0,9707 0,9710 0, ,0 0,5421 0,5421 0, ,0 0, , ,00344
19 Curso Coriro Laplace Daniels (Coriro, 1999) Sejam Y 1,...,Y n variáveis aleatórias iid com distribuição exponencial média um. Assim, a função nsida exata S n é dada por π Sn (s) = s n 1 e s /(n 1)!. Tem-se, φ(λ) = (1 λ) 1 e K(λ) = log(1 λ). A EMV ˆλ é ˆλ = 1 n/s, K(ˆλ) = log(s/n) e K (2) (ˆλ) = s 2 /n 2. Ainda, M(ˆλ) = 1/12n. Portanto, a expansão ponto sela (13) implica f Sn (s) = s n 1 e s [ 1 1 ] 2πe n n n 1/2 12n + O(n 2 ).
20 Curso Coriro Consirando a distribuição exponencial, compara-se na tabela seguinte o valor exato P(S n s) e os valores aproximados obtidos pelas equações Daniels (1987) e Lugannani e Rice (1980) para n = 1, 5 e 10 e diversos valores s. Laplace Daniels Tabela: Comparando P(S n s) com as aproximações Daniels e as Lugannani e Rice para a distribuição exponencial. Aprox. Daniels(1987) Aprox. n s Exato até O(n 1/2 ) até O(n 1 ) LR (1980) 1 0,5 0,6065 0,6176 0,6077 0,6043 1,0 0,3679 0,3670 0,3670 0,3670 3,0 0,0498 0,0482 0,0510 0,0500 7,0 0, , , , ,0 0, , , , ,0 0,8153 0,8172 0,8156 0,8152 7,0 0,4405 0,4405 0,4405 0, ,0 0,0293 0,0291 0,0293 0, ,0 0, , , , ,0 0,9682 0,9683 0,9682 0, ,0 0,4579 0,4579 0,4579 0, ,0 0,0699 0,0695 0,0699 0, ,0 0, , , ,00500
21 Curso Coriro Laplace Daniels Na tabela a seguir compara-se a probabilida exata P(S n s) com as aproximações Daniels (1987) até orns O(n 1/2 ) e O(n 1 ) e, também, com a expansão Lugannani e Rice (1980) para a distribuição normal inversa. e f (y; µ) = µ (2π) 1 2y 3/2 exp{ (y µ)2 /(2y)}, K Y (t) = µ{1 (1 t) 1 2 }.
22 Curso Coriro Laplace Daniels Tabela: Comparando P(S n s) com as aproximações Daniels e as Lugannani e Rice para a distribuição normal inversa com µ = 1 (n = 3, 5 e 10). Aprox. Daniels(1987) Aprox. n s Exato até O(n 1/2 ) até O(n 1 ) Lugannani e Rice (1980) 3 1,0 0,9645 0,9651 0,9644 0,9638 2,0 0,6782 0,6824 0,6753 0,6724 3,0 0,3927 0,3848 0,3848 0,3848 5,0 0,1156 0,1006 0,1176 0, ,0 0,0055 0, , , ,0 0, , , , ,0 0, , , , ,0 0,8334 0,8358 0,8330 0,8315 5,0 0,4147 0,4108 0,4108 0, ,0 0,0378 0,0312 0,0344 0, ,0 0, , , , ,0 0, , , , ,0 0,9825 0,9827 0,9826 0, ,0 0,4384 0,4369 0,4369 0, ,0 0,0721 0,0697 0,0723 0, ,0 0, , , , ,0 0, , , , ,0 0, , , ,
23 Curso Coriro Laplace Daniels Consiremos o processo autoregressivo Y 0, Y 1,... dado por Y k = λy k 1 + ǫ k, em que λ < 1, ǫ k são iid com ǫ k N(0, σ 2 ) e Y 0 tem distribuição estacionária, isto é, Y 0 N(0, σ 2 /(1 σ 2 )). O interesse está voltado para a distribuição Y finida por Y = n ˆλ λ 1 λ 2 = n U V, em que ˆλ é o estimador mínimos quadrados λ baseado em Y 0,...,Y n, U = n i=1 Y i 1(Y i λy i 1 )/ 1 λ 2 e V = n i=1 Y i 1 2.
24 Curso Coriro Laplace Daniels Na tabela abaixo comparamos a probabilida exata P( n ˆλ λ / 1 λ 2 > w) com duas aproximações e as aproximações ponto sela primeira e segunda orns para n = 10. Tabela: Comparação entre as aproximações e as ponto sela no processo autorregressivo orm 1. Aprox. Aprox. Sela λ w Exato ,0 0,3009 0,3173 0,3003 0,2984 0,3052 2,0 0,0498 0,0556 0,0557 0,0480 0,0500 3,0 0,0059 0,0067 0,0122 0,0056 0, ,0 0,3444 0,3173 0,3433 0,3130 0,3474 2,0 0,1302 0,1053 0,1957 0,1102 0,1310 3,0 0,0507 0,0149 0,0994 0,0440 0,0505
25 Curso Coriro Laplace Daniels Daniels, H. E. (1954). Saddlepoint Approximations in Statistics. The Ann. Math. Statistics, 25, Daniels, H. E. (1987). Tail Probability Approximations. International Statistical Review, 55, 1, Coriro, G.M. (1999). Introdução à teoria assintótica. 22o Colóquio Brasileiro Matemática, IMPA, Coriro, G.M. (1992). Introdução à teoria da verossimilhança. Capítulo 3, Seção 3.8, Goutis, C. e Casella, G. (1999) Explaining the Saddlepoint Approximation. The American Satistician, 53, n. 3,
26 Referências Curso Coriro Laplace Daniels Hinkley, D. V., Reid, N. e Snell, E. J. (1990). Statistical Theory and Molling. In honour of Sir David Cox, FRS. Chapman and Hall. Jensen, J. L. (1988). Uniform Saddlepoint Approximations. Adv. Appl. Prob., 20, Kolassa, J. E. (1997). Series Approximation Methods in Statistics. Lecture Notes in Statistics, 88, second edition, Springer, Lugannani, R. e Rice, S. (1980). Saddle Point Approximation for The Distribution of The Sum of Inpennt Random Variables. Adv. Appl. Prob., 12,
28 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 mais1 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 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 maisREJANE DOS SANTOS BRITO
REJANE DOS SANTOS BRITO ESTUDO DE EXPANSÕES ASSINTÓTICAS, AVALIAÇÃO NUMÉRICA DE MOMENTOS DAS DISTRIBUIÇÕES BETA GENERALIZADAS, APLICAÇÕES EM MODELOS DE REGRESSÃO E ANÁLISE DISCRIMINANTE RECIFE-PE - MAR/2009
Leia mais26 de dezembro de 2007
Curso de UFRPE e UFPE 26 de dezembro de 2007 1 2 3 4 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) ) (
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 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 maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
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 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 maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 6: Desigualdades, Limites e 1 Normalização Desigualdade de Chebyshev Lei dos Grandes Números 2 3 Normalização Sumário Normalização Desigualdade de Chebyshev
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 maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisExercícios sobre zeros de funções Aula 7
Exercícios sobre zeros de funções Aula 7 André L. R. Didier 1 6 de Maio de 2015 7/47 Introdução Todas as questões foram obtidas da 3 a edição do livro Métodos Numéricos de José Dias dos Santos e Zanoni
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
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 maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO EMENTA E CONTEÚDO PROGRAMÁTICO Carga horária Código Denominação Créditos ( ) Teórica Prática Total GEX112 Estatística 04
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisCOMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA
COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA Felipe Matheus Gonçalves Costa (1); Divanilda Maia Esteves (2) 1 Universidade Estadual da Paraíba; felipematheusem@hotmail.com.br 2 Universidade
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
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 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 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 maisEXAMES DE ANÁLISE MATEMÁTICA III
EXAMES DE ANÁLISE MATEMÁTICA III Jaime E. Villate Faculdade de Engenharia Universidade do Porto 22 de Fevereiro de 1999 Resumo Estes são alguns dos exames e testes da disciplina de Análise Matemática III,
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisValue-at-Risk: Overview. Análise de Risco (1) R.Vicente mpmmf
Value-at-Risk: Overview Análise de Risco () R.Vicente mpmmf Resumo Objetivos Definição Esquema Geral Dinâmica de Preços Passeio Aleatório Discreto Somas de Variáveis Aleatórias Teorema Central do Limite
Leia maisMétodos de Análise Transiente
Métodos de Análise Transiente Tópicos Avançados de Avaliação de Desempenho Prof. Paulo Maciel / Prof. Ricardo Massa Apresentação de: Ana Carolina Veloso Renata Pedrosa Dantas Introdução Visão real das
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
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 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 maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
Leia maisModelos Lineares Generalizados
Modelos Lineares Generalizados Emilly Malveira de Lima Análise de Dados Categóricos Universidade Federal de Minas Gerais - UFMG 10 de Maio de 2018 Emilly Malveira (PGEST-UFMG) 10 de Maio de 2018 1 / 20
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 maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
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 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 mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia mais( f a ) 2 +16π 2 λ 2 2
Ajuste de uma função pelo Método dos Mínimos-Quadrados O Método dos Mínimos-Quadrados é um método estatístico de tratamento de dados que permite obter os parâmetros de uma função que a aproximam o mais
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisUFABC - Pós-graduação em Física - FIS Mecânica Estatística Curso Prof. Germán Lugones CAPITULO 1. Variáveis Aleatórias
UFABC - Pós-graduação em Física - FIS 07 - Mecânica Estatística Curso 208. - Prof. Germán Lugones CAPITULO Variáveis Aleatórias Introdução Mecânica Mecânica Estatística Termodinâmica H(p i,q i ) Q N (V,
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
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 maisDistribuições de probabilidade de variáveis aleatórias contínuas
Distribuições de probabilidade de variáveis aleatórias contínuas Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Distribuição Exponencial Introdução É utilizada frequentemente como modelo para
Leia maisTeste de % de defeituosos para 1 amostra
DOCUMENTO OFICIAL DO ASSISTENTE DO MINITAB Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas
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 maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisII. Funções de uma única variável
II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia mais4. ([Magalhães, 2011] - Seção 2.4) Seja X U( α, α), determine o valor do parâmetro α de modo que:
GET189 Probabilidade I Lista de exercícios - Capítulo 6 1. ([Ross, 21] - Capítulo 5) Em uma estação, trens partem para a cidade A de 15 em 15 minutos, começando às 7:h; e trens partem para a cidade B de
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
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 maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
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 maisétodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos ZEROS DE FUNÇÕES DE UMA OU MAIS VARIÁVEIS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisPara ajudar a interpretar os resultados, o Cartão de Relatórios do Assistente do teste de % de defeituosos para 1 amostra exibe os seguintes
Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas no assistente no software estatístico
Leia maisNORMAS COMPLEMENTARES AO EDITAL Nº 33/2017. Concurso para Professor Efetivo da área de Estatística
NORMAS COMPLEMENTARES AO EDITAL Nº 33/2017 Concurso para Professor Efetivo da área de Estatística 1. ETAPAS DO CONCURSO Prova escrita: valendo 100 pontos, de caráter eliminatório e classificatório; Prova
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DISCIPLINA
UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE PÓS-GRADUAÇÃO COORDENADORIA DE PÓS-GRADUAÇÃO STRICTO SENSU DISCIPLINA Carga horária Código Denominação Créditos ( ) Teórica Prática Total PEX502 Estatística
Leia maisMODELANDO DADOS DE SOBREVIVÊNCIA E CONFIABILIDADE COM FUNÇÕES DE RISCOS EM FORMA DE U VIA MODELO WEIBULL DUPLO
MODELANDO DADOS DE SOBREVIVÊNCIA E CONFIABILIDADE COM FUNÇÕES DE RISCOS EM FORMA DE U VIA MODELO WEIBULL DUPLO Fernanda Regiane Zanforlin de ALMEIDA 1 Francisco LOUZADA-NETO 1 Christiano Santos ANDRADE
Leia maisEstatística e Probabilidade Aula 06 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 06 Distribuições de Probabilidades Prof. Gabriel Bádue Teoria A distribuição de Poisson é uma distribuição discreta de probabilidade, aplicável a ocorrências de um evento
Leia maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Prova 1. Matemática Aplicada I
Universidade Federal do Paraná Matemática Aplicada I Setor de Tecnologia - TC Engenharia Ambiental 2014-2 Curitiba, 24.09.2014 Prova 1 Matemática Aplicada I Tobias Bleninger Departamento de Engenharia
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 maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisSolução: A distribuição normal. Representação gráfica. Cálculo de probabilidades. A normal padrão. σ Será uma N(0; 1).
A distribuição normal Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f (x) =.e π. σ x µ. σ, x R Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ com
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Prova 1. Matemática Aplicada I
Universidade Federal do Paraná Matemática Aplicada I Setor de Tecnologia - TC Engenharia Ambiental 2018-2 Curitiba, 05.09.2018 Prova 1 Matemática Aplicada I Tobias Bleninger Departamento de Engenharia
Leia maisUNIVERSIDADE FEDERAL DE OURO PRETO PRÓ REITORIA DE GRADUAÇÃO. Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA
PROGRAMA DE DISCIPLINA Disciplina: PROCESSOS ESTOCÁSTICOS Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS Carga Horária Semanal Teórica Prática
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 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 maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
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 maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
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 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 maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
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 maisAumentando a Eciência de Métodos Monte Carlo: Redução de Variâncias por Condicionamento
Aumentando a Eciência de Métodos Monte Carlo: Redução de Variâncias por Condicionamento Ian Meneghel Danilevicz Walmir dos Reis Miranda Filho Métodos Computacionais Aplicados à Estatística Prof.: Cristiano
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisAssociação entre duas variáveis
Associação entre duas variáveis Questões de interesse: Será que duas variáveis são independentes ou pelo contrário dependentes? E se forem dependentes, qual o tipo e grau de dependência? Existem diversas
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
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 mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia mais