1 O que é Teoria da Decisão?
|
|
- Ruth Bennert Ávila
- 5 Há anos
- Visualizações:
Transcrição
1 Universidade Federal do Paraná Departamento de Estatística Graduação em Estatística Introdução a Teoria da Decisão Prof. Thaís Fonseca 1 O que é Teoria da Decisão? 1.1 Introdução Teoria da decisão, como o nome diz, trata do problema de tomada de decisões. Teoria da decisão estatística se preocupa em tomada de decisões na presença de conhecimento estatístico que tenta controlar algumas das incertezas involvidas no problema de decisão. As incertezas estarão relacionadas com quantidades numéricas desconhecidas e será representada por θ. A vida é cheia de situações onde decisões devem ser tomadas mesmo que a informação disponível para tomar decisões seja incompleta ou incerta. Questões como: Se estou seriamente doente, qual tratamento devo fazer se os tratamentos tem efeitos colaterais? Qual a probabilidade de cura? Devo investir no mercado de ações? No que devo investir? Como devo investir? Se investir, quanto vou ganhar ou perder? Estando num tribunal devo votar que o acusado é culpado ou não culpado? Para um cientista, quão conclusivos devem ser seus resultados para que sejam reportados em uma revista? Probabilidade e Teoria da Decisão são as ferramentas principais para nos ajudar a analisar questões como essas. Neste curso, vamos investigar como essas ferramentas podem ser úteis na tomada de decisões importantes na área de negócios, medicina, justiça etc. Além disso, iremos considerar algumas das controversias que podem ocorrer durante o processo de tomada de decisão. A teoria da decisão é dividida em normativa (ou prescritiva) e em descritiva. A teoria normativa é a teoria sobre como as decisões devem ser tomadas. Assume-se racionalidade, acurácia e optimalidade. A teoria descritiva, por outro lado, é a teoria sobre como decisões são tomadas de fato, isto é, tenta descrever como as pessoas vão agir ao tomar uma decisão. Abordaremos aqui apenas a teoria normativa. Exemplo 1: João vai ao médico reclamando de um desconforto. O médico acredita que João tem a doença A. O médico examina João cuidadosamente e observa os sintomas. Ele então diz que a probabilidade de João ter a doença A é 0.7. Neste exemplo exitem dois estados da natureza θ 1 : João possui a doença A e θ 2 : João não possui a doença A. O médico explica a João que as possiveis alternativas são: a 1 : fazer um tratamento doloroso e caro mas que cura a doença ou a 2 : voltar para casa e não fazer nenhum tratamento. Sabe-se que para cada par (ação,estado da natureza) existe uma consequência associada. 1
2 Estados Tratar Melhora da doença/ Novos clientes/ Dor/ Custos Menos clientes/ Dor/ Custos Não tratar Piora da doença/ Menos clientes Novos clientes Qual decisão o médico deve tomar? Primeiro devemos considerar as incertezas envolvidas no processo de tomada de decisão, isto é, ao escolher um curso de ação devemos considerar que as consequências dependem de eventos incertos. Um modelo de decisão consiste de dois aspectos básicos: 1. Especificação estrutural: identificação dos elementos do problema de decisão, isto é, os eventos incertos, as alternativas possíveis, os parâmetros desconhecidos e as relações estruturais relacionando estes elementos. 2. Definição de critérios para comparação de alternativas: os critérios de comparação das consequências associadas as várias alternativas devem possibilitar ao decisor uma certa racionalidade ou coerência no processo decisório. Uma condição necessária para o comportamento racional dos decisores será denominada de coerência. 2 Conceitos básicos Alguns dos Elementos básicos da tomada de decisão na presença de incerteza a serem considerados são: 1. Probabilidade Utilizada para quantificar incerteza. 2. Possíveis ações Considera-se um conjunto A = {a i, i I} de possíveis ações (decisões), onde uma delas deve ser selecionada. 3. Possíveis estados da natureza Indentificar os possíveis estados da natureza que são relevantes para a tomada de decisão. Para cada ação a i existe um conjunto Θ = {θ j, j J} de eventos incertos. 4. Consequências Identificar as consequências das ações e quantificar o valor dessas consequências, o que chamaremos utilizades. Correspondendo a cada conjunto Θ existe um conjunto de consequências {c j, j J}. 5. Dados Identificar informações que podem ajudar a determinar os estados da natureza. Quando é feita uma investigação estatística para obter informação sobre θ, o resultado dessa investigação é denotado por X e é uma variável aleatória. 6. Decisão ótima Combinar todos esses elementos para achar a decisão ótima (Teoria Bayesiana, também chamada Teoria da Utilidade Esperada). Observação importante: Em problemas de estimação de parâmetros temos que A = Θ. Em alguns problemas de tomada de decisão não há informações vindas de um experimento estatístico. Esses casos são chamados problemas sem dados (no-data problems). 2
3 2.1 Probabilidade É a maneira de quantificar incerteza. Convencionalmente é definida numa escala entre 0 e 1, com 0 denotando nenhuma chance de ocorrer e 1 denotando certo de ocorrer. O exemplo a seguir ilustra como o uso de probabilidade condicional pode levar a uma solução coerente numa situação que pode parecer paradoxal. Leitura recomendada: Probabilidade condicional e marginal (Bar-Hillel e Falk, 1982) Três cartas estão em um chapéu. Uma carta é vermelha em ambos os lados, denotada V V. Outra é branca de ambos os lados denotada BB. A última é vermelha de um lado e branca do outro lado, denotada V B. Seleciona-se uma carta aleatoriamente e coloca-se na mesa. A face para cima é vermelha, o que denotaremos V. Qual a probabilidade que a face virada para baixo também seja vermelha. Resposta: 2/3 (Use probabilidade condicional). Resposta comum: 1/2. P (V V V ) = P (V V V )P (V V ) P (V V V )P (V V )+P (V V B)P (V B)+P (V BB)P (BB) = 1 1/3 (1 1/3)+(1/2 1/3)+(0 1/3) = 1/3 1/2 = 2/ Utilidades e perdas Definição: A função perda da ação a para o estado da natureza θ é dada por L(θ, a) e representa a perda sofrida pela escolha da ação a A quando o estado da natureza é θ Θ, isto é, L : Θ A R Equivalentemente podemos definir a função de utilidade por U(θ, a) = L(θ, a) Exemplo 1: (continuação) De acordo com suas preferencias, o médico é capaz de associar a cada uma das consequências uma utilidade que é mostrada na tabela abaixo: Estados Tratar Não tratar Tabela 1: U(θ, a): Utilidades Estados Tratar Não tratar Tabela 2: L(θ, a): Perdas Definição: A ação a m A é denominada minimax se a m = arg min a max θ L(θ, a) Este critério é de natureza conservadora pois escolhe dentre as ações de maior perda, aquela de menor valor. Em outras palavras, escolhe-se a menos pior dentre as piores. Pode-se dizer que um tomador de decisão que adota um algoritmo minimax para tomada de decisão é averso ao risco. 3
4 Exemplo 1: (continuação) Neste exemplo qual seria a ação minimax? max θ L(θ, a 1 ) = max{ 50, 30} = 30 max θ L(θ, a 2 ) = max{200, 100} = 200 min{30, 200} = 30, então a ação minimax é a 1, tratar o paciente. Podemos dizer que o médico estaria tomando uma ação conservadora. Note, neste exemplo, que não estamos incorporando a informação que o médico tem sobre a probabilidade da doença, que ele obteve de sua experiência e após saber os sintomas do paciente. Devemos, de alguma forma, incorporar as incertezas associadas a θ 1 e θ 2 no processo decisório, de sorte que o médico (decisor) não tenha que ser totalmente averso ao risco. 3 Probabilidade subjetiva e perda esperada 3.1 Distribuição a priori e ação de Bayes Como no exemplo supracitado, seja π(θ), θ Θ a distribuição de probabilidade que mede a informação fornecida ao tomador de decisão (através de estudo prévio ou introspecção). Essa distribuição é também conhecida como distribuição a priori. Essa distribuição reflete a crenças a priori em termos de probabilidades dos possíveis valores de θ. Definição: O risco ou perda esperada de uma ação a A é dado por r(π, a) = L(θ, a)π(θ)dθ ou ainda como Θ r(π, a) = θ Θ L(θ, a)π(θ) onde π(θ) é a função de densidade ou distribuição de probabilidade de θ. Dessa forma, temos que r(π, a) é a perda esperada a priori da ação a A. Exemplo 1: (continuação) θ 1 : Paciente tem a doença A e π(θ 1 ) = 0.7 θ 2 : Paciente não tem a doença A e π(θ 2 ) = 0.3 a 1 : tratar e r(π, a 1 ) = ( ) + (30 0.3) = 26 a 2 : não tratar e r(π, a 2 ) = ( ) + ( ) = 110 Definição: A ação a b A é denominada ação de Bayes com respeito a π(θ) se a b = arg min a r(π, a) O valor mínimo de risco de Bayes r(π, a b ) é o risco de Bayes associado a ação a b. Exemplo 1: (continuação) 4
5 A ação de Bayes é aquela que minimiza a perda esperada. 26 < 110 então a b = a 1. O médico deve tratar o paciente segundo esse critério. 5
Inferência Bayesiana - Aula 3 -
Inferência Bayesiana - Aula 3 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística Os problemas de estimação e teste de hipóteses podem ser vistos como problemas de decisão.
Leia maisEstatística Bayesiana EST047
Estatística Bayesiana EST047 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Conceitos iniciais; Distribuições condicionais Conceitos iniciais Questão Como incorporar
Leia maisINTRODUÇÃO À PESQUISA OPERACIONAL
INTRODUÇÃO À PESQUISA OPERACIONAL ** Decisão com Incerteza Parte 1 ** Profa. Vitória Pureza 2º Semestre Roteiro Critérios de Decisão em Situações de Incerteza Teoria de Utilidade Axiomas de Von Neumann-Morgenstern
Leia maisTeoria de decisão Bayesiana e clássica: determinação de preços
Teoria de decisão Bayesiana e clássica: determinação de preços Mário Hissamitsu Tarumoto 1 Luan Cauê Cherubini 2 Olga L.Anglas R.Tarumoto 1 1 Introdução A teoria da decisão é uma abordagem sistemática
Leia maisrelógio apenas uma vez mediante ao pagamento de uma pequena taxa. Ao encontrarem algum defeito os consumidores devem devolver o relógio pagando
Capítulo 10 Introdução à Teoria de Decisão 10.1 Introdução Na situação geral de decisão temos várias alternativas bem definidas e procuramos pela melhor ação dado o problema que temos em mãos. Além disso
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 maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Experimento aleatório Definição. Qualquer experimento cujo resultado não pode
Leia maisTeoria da Decisão. Slide 1. c 2002, 1998 Maria Antónia Carravilla FEUP
Teoria da Decisão Slide 1 Transparências de apoio à leccionação de aulas teóricas Versão 2 c 2002, 1998 Teoria da Decisão 1 Decisões A incerteza é muito mais a regra que a excepção, a única coisa que pode
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 15 Incerteza Edirlei Soares de Lima Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local Agentes
Leia maisAnálise Bayesiana de Dados - Aula 1 -
Análise Bayesiana de Dados - Aula 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Paradigmas Bayesiano Introdução Fazer inferência
Leia maisProbabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado
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 maisProbabilidade. Prof. Paulo Cesar F. de Oliveira, BSc, PhD
Prof. Paulo Cesar F. de Oliveira, BSc, PhD 1 Seção 3.1 Conceitos básicos de probabilidade 2 ² Experimento de ² Uma ação, ou tentativa, por meio do qual resultados específicos (i.e. contagens, medições
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia 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 maisAprendizado Bayesiano
Aprendizado Bayesiano Marcelo K. Albertini 26 de Junho de 2014 2/20 Conteúdo Teorema de Bayes Aprendizado MAP Classificador ótimo de Bayes 3/20 Dois papéis para métodos bayesianos Algoritmos de aprendizado
Leia maisUm robô está num corredor. Ele possui um mapa do corredor mas não sabe onde está localizado. A parede do corredor e indistinta, exceto pelas portas.
Um robô está num corredor. Ele possui um mapa do corredor mas não sabe onde está localizado. A parede do corredor e indistinta, exceto pelas portas. O corredor possui 3 portas idênticas, exceto pelas sua
Leia maisQuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão. Métodos Quantitativos 2004/2005.
QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão Métodos Quantitativos 2004/2005 João Moura Pires Sumário Introdução Tomada de decisão sem experimentação
Leia maisUniversidade Federal de Ouro Preto. Probabilidade e avaliação de testes diagnósticos
Universidade Federal de Ouro Preto Professor: Ricardo Tavares 1. Introdução Probabilidade e avaliação de testes diagnósticos Uma das experiências mais rotineiras da prática médica é a solicitação de um
Leia maisLógica e Raciocínio. Introdução a Teoria da Decisão. Universidade da Madeira.
Lógica e Raciocínio Universidade da Madeira http://dme.uma.pt/edu/ler/ Introdução a Teoria da Decisão 1 Conteúdos Os tópicos que vamos abordar: Decisão sob ignorância Decisão sob Risco Teoria da Probabilidade
Leia maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística 2 (ET593) Fases de uma Análise Estatística
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística 2 (ET593) Fases de uma Análise Estatística Dados Organização Estatística Descritiva Interpretação Os Dados vêm da amostra
Leia maisNoções de Probabilidade
Noções de Probabilidade Joel M. Corrêa da Rosa 2011 A estatística descritiva é ferramenta indispensável para extrair informação em um conjunto de dados. Entretanto, a tomada de decisões está fortemente
Leia maisANÁLISE DE DECISÃO ENVOLVENDO AQUISIÇÃO OU MODIFICAÇÃO DE MÁQUINA NA INDÚSTRIA DE PEÇAS AUTOMOTIVA
ANÁLISE DE DECISÃO ENVOLVENDO AQUISIÇÃO OU MODIFICAÇÃO DE MÁQUINA NA INDÚSTRIA DE PEÇAS AUTOMOTIVA Lara Calado TCA Tecnologia de Componentes Automotivos S. A. e PPGEP/UFPE Via Prestes Maia km86, 2 BR102
Leia maisPOLÍTICAS PÚBLICAS Aula 03. Prof. a Dr. a Maria das Graças Rua
POLÍTICAS PÚBLICAS Aula 03 Prof. a Dr. a Maria das Graças Rua Poder, Racionalidade e Tomada de Decisões A RACIONALIDADE E A TOMADA DE DECISÕES NAS POLÍTICAS PÚBLICAS Controvérsia da literatura sobre tomada
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 maisTomada de Decisão - Ética: Aula 10
Tomada de Decisão - Ética: Aula 10 Objetivo Relacionar a função de tomada de decisão empresarial do administrador com a ética. Entender como a concentração nos fatos e nas evidências ajudam as decisões
Leia maisRISCO E INCERTEZA CONCEITOS DE RISCO 08/11/2013
RISCO E INCERTEZA CAPÍTULO 8 em: ANDRADE, Eduardo L. de; INTRODUÇÃO À PESQUISA OPERACIONAL. 4 a. ed. Rio de Janeiro: Editora LTC CONCEITOS DE RISCO Risco é a probabilidade de haver variações nos resultados
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Condicionais 11/13 1 / 19 Em estudo feito em sala perguntamos aos alunos qual
Leia mais5 Decisão Sob Incerteza
5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisUnidade 2 Controle da Qualidade. Prof. Luciana Leite
Unidade Controle da Qualidade Prof. Luciana Leite Área de Estudo da Disciplina Atividades da Trilogia da Qualidade Planejamento da Qualidade Controle da Qualidade Melhoria da Qualidade Estabelecer os objetivos
Leia maisAnálise Decisional: integridade e validação Por: Lionel Morgado Susana Silva
Análise Decisional: integridade e validação Por: Lionel Morgado Susana Silva Algoritmos de Diagnóstico e de Auto-Regulação FCTUC 07-08 1 DIAGNÓSTICO DIAGNÓSTICO - em Medicina é o processo analítico de
Leia maisAPOSTILA DE PROCESSOS DECISÓRIOS (JAN/2018)
APOSTILA DE PROCESSOS DECISÓRIOS (JAN/2018) Profª Mônica Roberta Silva, M.Sc. www.retadechegada.com (21) 3902-1462 e (21) 9157-5825 monicarobs@hotmail.com 1 Processo Decisório Bazerman (2004:4) aponta
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisClassificadores. André Tavares da Silva.
Classificadores André Tavares da Silva andre.silva@udesc.br Reconhecimento de padrões (etapas) Obtenção dos dados (imagens, vídeos, sinais) Pré-processamento Segmentação Extração de características Obs.:
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DECOMP IFMA Campus Monte Castelo] Abordagem Estocástica para a Incerteza: Redes Bayesianas Usando a teoria das probabilidades, podemos determinar, frequentemente
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia maisConhecimento Incerto Decisões Sobre Incerteza
Conhecimento Incerto Decisões Sobre Incerteza Profa. Josiane M. P. Ferreira Texto base: David Poole, Alan Mackworth e Randy Goebel - Computational Intelligence A logical approach cap 10. Stuart Russel
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 maisParte 3 Probabilidade
Parte 3 Probabilidade A probabilidade tem origem no século XVII, motivada, inicialmente, pelos jogos de azar. De maneira bastante informal, refere-se à probabilidade como uma medida de chance de algum
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
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 maisIA - Planejamento II
PO IA - Planejamento II Professor Paulo Gurgel Pinheiro MC906A - Inteligência Articial Instituto de Computação Universidade Estadual de Campinas - UNICAMP 16 de Novembro de 2010 1 / 48 PO http://www.ic.unicamp.br/
Leia maisCTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa. Prof. Paulo André Castro
CTC-17 Inteligência Artificial Busca Competitiva e Busca Iterativa Prof. Paulo André Castro pauloac@ita.br www.comp.ita.br/~pauloac Sala 110, IEC-ITA Sumário Busca Competitiva Para Ambientes multiagentes...
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisEstatística (MAD231) Turma: IGA. Período: 2017/2
Estatística (MAD231) Turma: IGA Período: 2017/2 Aula #01 de Probabilidade: 27/09/2017 1 Probabilidade: incerteza? como medir e gerenciar a Introdução Os jornais informaram que há uma chance de 60% de chover
Leia maisDesenho de Mecanismo. Introdução
Desenho de Mecanismo Introdução Até o momento estivemos tomando o arranjo institucional onde ocorrem as transações como um dado: o mercado. Note, porém, que mesmo nesse caso, permitíamos que algumas transações
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 4 Probabilidade: Conceitos Básicos - parte 2 Leituras: Obrigatória: Devore, Capítulo 2 Complementar: Bertsekas e Tsitsiklis, Capítulo 1 Chap 4-1 Objetivos Nesta aula, aprenderemos:
Leia maisProbabilidades. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Probabilidades Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Noções Básicas Os métodos estatísticos para análise de dados estão associados
Leia maisTeoria da Decisão. Introdução. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Apresentação Sumário
Leia maisTeoria das Probabilidades
Capítulo 2 Teoria das Probabilidades 2.1 Introdução No capítulo anterior, foram mostrados alguns conceitos relacionados à estatística descritiva. Neste capítulo apresentamos a base teórica para o desenvolvimento
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Explicar os conceitos gerais de estimação de
Leia maisPaulo Afonso Bracarense Ubiratan Vieira Guimarães. Métodos Quantitativos Aplicados a Negócios
Paulo Afonso Bracarense Ubiratan Vieira Guimarães Métodos Quantitativos Aplicados a Negócios 2008 2008 IESDE Brasil S.A. É proibida a reprodução, mesmo parcial, por qualquer processo, sem autorização por
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
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. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisEnrico A. Colosimo Depto. Estatística UFMG
Bioestatística F Conceitos de Teste de Hipóteses Enrico A. Colosimo Depto. Estatística UFMG http://www.est.ufmg.br/~enricoc/ f(x).4.35.3.25.2.15.1.5 Tabela Normal Padronizada Distribuicao Gaussiana com
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2019 2 / 26 aula de hoje: 1 o que são 2 distribuições de 3 a distribuição normal ou gaussiana
Leia maisProfa. Lidia Rodella UFPE-CAA
Profa. Lidia Rodella UFPE-CAA O que é estatística? É conjunto de técnicas que permite, de forma sistemática, coletar, organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
Leia mais5- Variáveis aleatórias contínuas
5- Variáveis aleatórias contínuas Para variáveis aleatórias contínuas, associamos probabilidades a intervalos de valores da variável. Exemplo 5.1 Seja a variável correspondente ao tempo até a cura de pacientes
Leia mais3. Probabilidade P(A) =
7 3. Probabilidade Probabilidade é uma medida numérica da plausibilidade de que um evento ocorrerá. Assim, as probabilidades podem ser usadas como medidas do grau de incerteza e podem ser expressas de
Leia maisControle Ótimo - Aula 6 Exemplos e Exercícios
Controle Ótimo - Aula 6 Exemplos e Exercícios Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Probabilidades Probabilidade: número entre
Leia maisCE055 - Bioestatística A - Prova 1 - Gabarito
CE055 - Bioestatística A - Prova 1 - Gabarito 1. Suponha que um certo evento de um experimento aleatório ocorra com probabilidade 0,02. Qual das seguintes afirmações representa uma interpretação correta
Leia maisTeste de Hipóteses. Enrico A. Colosimo/UFMG enricoc/ Depto. Estatística - ICEx - UFMG 1/24
1/24 Introdução à Bioestatística Teste de Hipóteses Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG 2/24 Exemplo A concentração de certa substância no sangue entre
Leia maisIntrodução à Estatística. Segundo Semestre/2018
Introdução à Estatística Segundo Semestre/2018 Probabilidade Sua origem está relacionada a jogos de azar; Exemplo: Jogo de dados; Retirar uma carta de um baralho; Lançar uma moeda;... Probabilidade Normalmente
Leia maisAmostragem Aleatória e Descrição de Dados - parte I
Amostragem Aleatória e Descrição de Dados - parte I 2012/02 1 Amostra e População 2 3 4 Objetivos Ao final deste capítulo você deve ser capaz de: Calcular e interpretar as seguintes medidas de uma amostra:
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia maisNOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional
NOÇÕES DE TESTE DE HIPÓTESES (I) Teste de hipóteses para a proporção populacional Métodos Estatísticos Métodos Estatísticos Estatística Descritiva Inferência Estatística Estimação Teste de Hipóteses TESTE
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 maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 13 a Lista de Exercícios Práticos Conceitos Básicos de Probabilidade 1) Considere um experimento que consiste em
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisAula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
Leia maisCEFET/RJ Inteligência Artificial (2017.2) Professor: Eduardo Bezerra Lista de exercícios 03
. CEFET/RJ Inteligência Artificial (2017.2) Professor: Eduardo Bezerra (ebezerra@cefet-rj.br) Lista de exercícios 03 Créditos: essa lista de exercícios contém a tradução dos exercícios disponibilizados
Leia maisSINALIZAÇÃO. Rafael V. X. Ferreira 11 de Outubro de 2017
MICROECONOMIA II SINALIZAÇÃO Rafael V. X. Ferreira rafaelferreira@usp.br 11 de Outubro de 217 Universidade de São Paulo (USP) Faculdade de Economia, Administração e Contabilidade (FEA) Departamento de
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Leia maisAprendizagem Bayesiana
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Aprendizagem Bayesiana David Menotti www.inf.ufpr.br/menotti/ci171-182 Aprendizagem Bayesiana Agenda Introdução Teorema de Bayes
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 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 maislnteligência Artificial Introdução ao Processo Decisório de Markov
lnteligência Artificial Introdução ao Processo Decisório de Markov Aprendizado - paradigmas Aprendizado supervisionado O crítico comunica a EA o erro relativo entre a ação que deve ser tomada idealmente
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisTécnicas de
Técnicas de Decisão @lucianodoll Desafio Ø 1. Ao lançar uma moeda: Ø se o resultado for Cara, você recebe R$100,00. Ø se for Coroa, você não recebe nada. 2. R$20,00 sem jogar. Qual alternativa você escolheria?
Leia mais1 Noções de Probabilidade
Noções de Probabilidade Já vimos que para se obter informações sobre alguma característica da população, podemos utilizar uma amostra. Estudaremos agora a probabilidade, que é uma ferramenta usada e necessária
Leia maisPROBABILIDADE E ESTATÍSTICA. Aula 2 Professor Regina Meyer Branski
PROBABILIDADE E ESTATÍSTICA Aula 2 Professor Regina Meyer Branski Probabilidade 1. Conceitos básicos de probabilidade 2. Probabilidade condicional 3. Eventos Dependentes e Independentes 4. Regra da Multiplicação
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 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 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 maisAprendizado, minimização do arrependimento e equilíbrio (Learning, Regret Minimization, and Equilibria)
Aprendizado, minimização do arrependimento e equilíbrio (Learning, Regret Minimization, and Equilibria) Victor Alberto Romero Instituto de Matemática e Estatística Universidade de São Paulo Teoria dos
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisAvaliação de Empresas Profa. Patricia Maria Bortolon
Avaliação de Empresas RISCO E RETORNO Aula 2 Retorno Total É a variação total da riqueza proporcionada por um ativo ao seu detentor. Fonte: Notas de Aula do Prof. Claudio Cunha Retorno Total Exemplo 1
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisProbabilidade ESQUEMA DO CAPÍTULO. UFMG-ICEx-EST Cap. 2- Probabilidade 1
Probabilidade ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL
Leia maisDecisão Decidir Análise / Teoria da Decisão
Decisão Decidir é o acto de seleccionar uma linha de acção preferida entre várias alternativas existentes. Existem diversos instrumentos que podem contribuir para a tomada de decisões, dependentes do ambiente
Leia mais