ANÁLISE DE SOBREVIVÊNCIA UTILIZANDO DENSIDADES A PRIORI COM DADOS AMPLIADOS
|
|
- Manoel Leal Gonçalves
- 5 Há anos
- Visualizações:
Transcrição
1 ANÁLISE DE SOBREVIVÊNCIA UTILIZANDO DENSIDADES A PRIORI COM DADOS AMPLIADOS Josenldo de Souza CHAVES Josemar RODRIGUES 2 RESUMO: Neste trabalho, apresentamos uma análse Bayesana para dados clíncos exponencas com varáves auxlares. Esta abordagem Bayesana, com densdades a pror nformatvas, obtdas através das varáves auxlares sob o contexto de modelos lneares generalzados, é formulada para estmar os parâmetros de nteresse, testar o modelo e prever a sobrevvênca de pacentes com doenças graves. Dferentes funções de lgações são consderadas. O método que remos examnar consste na obtenção de nformações a pror para a méda das respostas, com correspondentes varáves auxlares fxas de modo que se possa nduzr uma dstrbução a pror sobre os coefcentes de regressão a partr de médas condconas a pror. Esta abordagem utlza os algortmos computaconas do tpo Gbbs Samplng e Metropols-Hastngs. Fnalzamos com aplcações em dados clíncos exponencas para pacentes com leucema utlzando amostras censuradas. PALAVRAS-CHAVE: Inferênca Bayesana; Análse de sobrevvênca; Regressão exponencal; Médas condconadas a pror; Algortmo Metropols- Hastngs. Introdução Informações clíncas dsponíves para um médco no nstante do dagnóstco de um câncer ou de outra doença são utlzadas para: ( prevsão do tempo de sobrevvênca defndo como o tempo entre o Unversdade Federal do Maranhão CCET Departamento de Matemátca. Av. dos Portugueses, s/n; São Luís MA Brasl. e-mal: jschaves@demat.ufma.br 2 Unversdade Federal de São Carlos CCT Departamento de Estatístca. Rodova Washngton Luz, km 235 Caxa Postal 676; São Carlos SP Brasl. - e-mal: vjosemar@power.ufscar.br Rev. Mat. Estat., São Paulo, 20: 7-9,
2 dagnóstco ou o níco de um tratamento específco e a morte; (2 escolher o tratamento para um dado pacente; e para mutos outros objetvos. Os dados podem provr da hstóra médca, de exames físcos, ou de estudos de laboratóro. Tas nformações podem ser chamadas de nformações concomtantes, covaradas ou varáves auxlares: por exemplo, quando o pacente entra no estudo podemos regstrar a causa e o estágo da doença. Para as varáves auxlares consderadas no estudo, váras funções de lgações podem ser propostas do ponto de vsta dos modelos lneares generalzados. Fegl & Zelen (965 desenvolveram para as funções de lgações: lnear, nversa e logarítmca, uma teora de verossmlhança assntótca para estmar os parâmetros de regressão. Zppn & Armtage (966, supondo função de lgação do tpo lnear, generalzaram o trabalho de Fegl & Zelen para pacentes censurados, sto é, alguns pacentes estavam vvos quando o expermento termnou. Byar et al (974, também propõem uma generalzação com função de lgação nversa e váras varáves auxlares. Bhattacharya et al (995 ntroduzram uma abordagem Bayesana exata, supondo função de lgação do tpo nversa e dados censurados. Mas recentemente, Bedrck et al (996 sob função de lgação logarítmca e dados sem a presença de censuras, utlzaram dstrbuções a pror nformatvas, extraídas a partr de médas condconas a pror. Este trabalho tem como prncpal objetvo, apresentar uma alternatva a abordagem Bayesana exata. Neste contexto, destacamos a formulação de dstrbuções a pror nformatvas extraídas de médas condconas a pror e a escolha das funções de lgações. Utlzamos algortmos computaconas do tpo Gbbs Samplng e Metropols- Hastngs, para estmar os parâmetros de nteresse, verfcar o ajuste e escolha do modelo, e prever a sobrevvênca de pacentes com doenças graves va dstrbuções predtvas. Na Seção 2 apresentamos a formulação de densdades a pror com médas condconas e pror com dados amplados. Um exemplo de aplcação é dado na Seção 3. As conclusões fnas deste trabalho estão apresentadas na Seção 4. A Seção 5 apresenta um apêndce com uma breve ntrodução aos modelos lneares generalzados. Os programas computaconas da metodologa aplcada podem ser obtdos com os autores através de correo eletrônco. 8 Rev. Mat. Estat., São Paulo, 20: 7-9, 2002
3 Pror com Médas Condconas e Pror com Dados Amplados A déa de consderar densdades a pror com médas condconas (PMC s parte da avalação das nformações a pror em p locações no espaço das varáves predtoras, (ver Bedrck et al, 996, 997. Para cada locação, especfca-se uma dstrbução a pror para a méda das observações. A pror sobre os coefcentes de regressão β é então nduzda da PMC. Densdades a pror com médas condconas (PMC s estão estretamente relaconadas a pror com dados amplados (PDA s. Na seção segunte especfcamos essas densdades sob o enfoque dos modelos lneares generalzados. Especfcação da Pror ' Consdere n observações ndependentes t com correspondente ' varável predtora x, =,..., p e seja X uma matrz p p não-sngular com x na -ésma lnha =,..., p. Seja π 0 (m uma pror própra sobre m (m,,m ' = p, onde m = E( t x, x, =,..., p. Seja, m G (X β (vetor de transformações com uma relação - entre β e m. Portanto, β = X G(m. (2. Seja π 0 (m uma pror própra arbtrára sobre m. A pror nduzda sobre β é (X π( β = (G dg (X 0 β β. (2.2 Consdere que as então, podem ser avaladas ndependentemente, m ' s Rev. Mat. Estat., São Paulo, 20: 7-9,
4 p m = (m 0( π 0 = π. (2.3 Através de (2.2 a pror nduzda é dada por: p = (x X p ' π β ( g g(m 0 β = = ( p, logo ' ( ( g ( x g ( g ( ' π β β x β, (2.4 = 0 onde g é a prmera dervada da função de lgação g em relação a β. Uma PDA sobre β é uma PMC que tem a mesma forma da função de verossmlhança, baseada nas observações a pror w ( t, x, : =,..., p, onde t pode ser determnado consderandose uma observação a pror típca assocada ao x com peso w. O parâmetro w é determnado como um possível número fraconáro a pror de observações assocadas com t. É mportante observar que é muto mas fácl obter nformações sobre a méda das varáves respostas, E(t x = m, a qual está na mesma escala dos dados, do que obter conhecmento a pror sobre β, porque o sgnfcado de β depende da função de lgação. Procedmento Bayesano para um Modelo de Regressão Exponencal com uma Varável Auxlar Iremos consderar o modelo exponencal para o tempo de sobrevvênca de pacentes, ncalmente, com a segunte função de rsco: h( t = exp{ ( α + β z }, =,,n. (2.5 0 Rev. Mat. Estat., São Paulo, 20: 7-9, 2002
5 Logo, log(e(t = α + β z. Temos então uma função de lgação logarítmca, onde t é o tempo de sobrevvênca do -ésmo pacente, z = x x, x a varável auxlar, e α e β parâmetros desconhecdos. Denotaremos por D o conjunto de dados, o qual, consste no vetor de observações (x,t. Consdere que n pacentes entram no estudo, e que r destes morrem e n r anda permanecem vvos no fm do estudo. Então, t, t 2,..., t r, são os tempos de sobrevvênca enquanto t r+,..., t n, foram o o censurados em tr+,, tn, respectvamente. A partr do modelo (2.5, a função de verossmlhança será dada por: L( α, β = e = r ( α + β Z ( α + β Z exp{ te }exp (2.6 { n o t j j = r + e ( α + β Z j }. Nossos objetvos do ponto de vsta Bayesano são estmar a curva de sobrevvênca, P(T ( α + β ( X X > t α, β,x = exp{ te }, as densdades margnas a posteror de α e β e quants destas densdades. Pror Induzda Sobre ( α, β Segundo o procedmento de pror com médas condconas (PMC ntroduzdo na seção 2., seja m X ( α +β ( E(T,, e X = α β = X, =, 2 Rev. Mat. Estat., São Paulo, 20: 7-9, 2002
6 onde, {( t X,, =,2 } são dados a pror e, X e X 2 vetores lnearmente ndependentes. Supondo que m w,w Gama Inversa( t, =, 2 e w s como pesos assocados aos t, a pror nduzda sobre ( α, β é dada por: 2 ( α + β w (, e exp{ t w ( α + β π α β e }. (2.7 = Z Agora, o problema consste na escolha aproprada dos pesos w, =, 2 sob a avalação da nformação a pror t. Se fzermos uma comparação entre a parte não-censurada da função de verossmlhança em (2.6 e a pror nduzda sobre ( α, β, é razoável pensar em w =, sto é, a nformação a pror, t, tem o mesmo peso como a nformação de uma únca observação t. Esta partcular pror nduzda é a mesma obtda por Bedrck et al (996 chamada de data augmentaton pror. Para determnar os hperparâmetros t, podemos consderar t / m p = e, para uma escolha aproprada de t, =, 2 e valores especfcados τ,, 2 = P( p = τ, =, 2. em seguda determnamos γ tal que Portanto temos que, τ = P(, m t t log( t Z onde, t m Gama(,, e uma solução explícta para t é dada por: tlog( τ t =. (2.8 log( 2 Rev. Mat. Estat., São Paulo, 20: 7-9, 2002
7 Note que se tvéssemos tomado w, poderíamos calcular duas probabldades para cada e assm obter duas equações da forma (2.8, que podem ser resolvdas smultaneamente para ( w, t, =, 2. Densdades a Posteror A partr de (2.6 e (2.7, temos para w w = 2 =, a segunte densdade a posteror conjunta para ( α, β : π ( α, β D e + r = t e (r + 2 α + β ( Z + Z ( α + β Z r Z = n o t = r + e exp{ ( ( α + β Z 2 t e = }. ( α + β Z + (2.9 As densdades condconas a posteror são dadas por: onde, π ( α β,d exp{ (r + 2 α }A( α, β, (2.0 r π( β α,d exp{ ( z + z + z 2 β }A( α, β = A( α, β = exp{ ( r t e = ( α + β Z + n o t = r +, (2. e ( α + β Z + 2 t e = ( α + β Z Note que estas densdades a posteror, não possuem uma forma conhecda. Entretanto, podemos obter amostras aleatóras das varáves α e β a partr das densdades condconas (2.0 e (2.. Neste caso, podemos utlzar o algortmo Metropols-Hastngs (ver por exemplo, Chb & Greenberg, 995. }. Rev. Mat. Estat., São Paulo, 20: 7-9,
8 Uma Aplcação em Regressão Exponencal com Dados Censurados Iremos utlzar o desenvolvmento teórco da seção anteror para analsar os dados de Zppn & Armtage (966, consderando as funções de lgações logarítmca, nversa e lnear. Para um modelo de regressão exponencal com função de rsco (2.5 e o predtor, log 0 da quantdade ncal de glóbulos brancos no sangue (QGB mas um ntercepto, especfcamos nformações a pror a dos níves da QGB. A resposta t é o tempo de sobrevvênca em semanas para pacentes com leucema. Suponha que se possa afrmar, ndependentemente, que a proporção dos pacentes que sobrevvem além de ano é pelo menos 25% com probabldade 90% ( τ = 0,90 para o valor baxo 3 do log 0 da QGB, sto é, P(exp( t /m > 0,25 = 0,90. Consdere também que para o nível alto 5 da QGB, P(exp( t /m 2 2 > 0,75 = 0,0. ' ' Logo, fxando x = [, 3], x 2 = [, 5], t = t 2 = 52, γ = 0,25, τ 2 = 0,0 e γ 2 = 0,75, e utlzando (2.8, determna-se os t s, sto é, t = 86,37, e t2 = 9,04. A partr da expressão (2.9, teremos as seguntes densdades condconas a posteror: π( α β,d exp{ 4α }A( α, β, (3. 2 π( β α,d exp{ ( z + z + z 2 β }A( α, β = onde, + 9,04 e }., (3.2 A( α, β = exp{ ( te + 86,37 e (3.3 ( α + β Z 2 7 = ( α + β Z ( α + β Z 4 Rev. Mat. Estat., São Paulo, 20: 7-9, 2002
9 Para a função de lgação nversa, consderamos o rsco dado por: θ = α + β x. Sob a função de lgação lnear, consderamos o rsco - dado por: θ = ( α + β x. Através das densdades condconas (2.0 e (2., utlzamos o algortmo Metropols-Hastngs, para estmar α e β. Montoramos a convergênca do algortmo pelo o crtéro de Gelman & Rubn (992 que usa a técnca de análse de varânca para determnar se terações adconas serão necessáras. Para cada parâmetro, geramos 5 cadeas, e em seguda extraímos uma amostra aleatóra de tamanho 500. As estmatvas das curvas de sobrevvênca predtvas foram obtdas a partr da expressão: P(T t x f,d = exp{ te ( α + β x f } π( α, β D dα dβ. (3.4 Utlzamos os valores x f = 2,88 ; 4,00 e 5,00 os quas representam o mínmo, a medana e o máxmo, respectvamente, valores obtdos nos dados. A segur, apresentamos na Fgura e Tabela um resumo gráfco e algumas estatístcas, respectvamente. Em todos os casos que apresentamos, o nível descrtvo Bayesano (n d ndcou boa adequação do modelo ajustado aos dados. Em relação a escolha da função de lgação, sob o crtéro da dstrbução predtva condconal ordenada (CPO, ver por exemplo Carln & Lous (997, ndcamos a lgação nversa (maor C (, ver Tabela a segur como a mas aproprada para o uso de PDA's. Para as três funções de lgações, podemos observar uma grande dferença nas estmatvas a posteror de α e de β e uma grande mudança nos níves da dstrbução de sobrevvênca predtva, mas notável para a lgação nversa em relação as duas outras (ver Fgura. Outras consderações no uso de PDA's envolvendo dados completos e censurados, podem ser vstas em Chaves (999. Rev. Mat. Estat., São Paulo, 20: 7-9,
10 ( (a (b (c (2 (a (b (c (3 (a (b (c FIGURA Densdades condconas a posteror para α em (a, e para β em (b, em (c a dstrbução de sobrevvênca predtva. ( lgação logarítmca, (2 lgação nversa, (3 lgação lnear. Tabela Estatístcas a posteror para α e β consderando as funções de lgações logarítmca, nversa e lnear, com pror PDA e dados censurados. Logarítmca Inversa Lnear Méda Erro padrão Méda Erro padrão Méda Erro padrão α 4,26 0,2576 0,000 0, ,99 0,7875 β -0,8842, 0,3292 0,0030 0, ,92 0,47542 CPO (C ( 6, x 0-6 3, x 0-5 2, x Rev. Mat. Estat., São Paulo, 20: 7-9, 2002
11 Desejamos chamar a atenção para o fato de que o uso da lgação nversa no nosso problema, produz curvas de sobrevvênca predtvas muto próxmas para os três níves da QGB consderados. Isto resultara em prevsões que não ram dstngur bem um pacente num estado grave dos outros menos graves. Portanto, sugermos neste caso a lgação logarítmca, apesar de possur uma CPO (C( menor. Conclusões A nferênca Bayesana que desenvolvemos com densdades a pror PDA, permtu levar em consderação as funções de lgações logarítmca, nversa e lnear, sendo uma alternatva a nferênca clássca e prncpalmente a nferênca Bayesana exata. O uso da lgação nversa com pror PDA resultou em prevsões do tempo de sobrevvênca que não dstngue bem um pacente num estado grave, daqueles menos graves. Portanto, a lgação logarítmca, é sugerda neste caso como uma alternatva mas aproprada. Temos então a necessdade do uso de outros crtéros, para a dscrmnação de modelos, além da CPO. Apêndce: Modelos Lneares Generalzados Um modelo lnear generalzado (MLG, ver por exemplo, McCullagh & Nelder, (989, consste em n varáves aleatóras ndependentes T, =,..., n cada uma com função densdade de probabldade dada na segunte forma: w f(t,;w = h((t,w exp[ { t r( }], (5. onde r( e h(,, são funções conhecdas, os parâmetros w e são conhecdos e é um parâmetro de escala desconhecdo. Note que o modelo (5. pertence a famíla exponencal. A méda de T é dada por: E(T m = r(, (5.2 Rev. Mat. Estat., São Paulo, 20: 7-9,
12 onde r ( = dr( / d. A varânca de T é dada por, V(T = r( / w, onde r ( é a segunda dervada de r(. V(m r( = r ( r (m é chamada de função de varânca. A estrutura lnear para dstrbuções da forma (5. é especfcada por uma função de lgação, ' g(m = x, (5.3 onde é um vetor de p coefcentes de regressão desconhecdos, x é um vetor de p varáves auxlares conhecdas, e g( é uma função monótona conhecda. Se g(m =, então temos um MLG canônco e g( é a função de lgação canônca. A função de verossmlhança para um MLG é dada por: n n w L( = h(,t,w exp { t r( }, (5.4 = = onde é obtdo como uma função de por (5.2 e (5.3. CHAVES, J. S., RODRIGUES, J. Survval Analyss usng Data Augmentaton Prors. Rev. Mat. Estat., (São Paulo, v.20, p.7-9, ABSTRACT: In ths work, a Bayesan analyss for the exponental clncal data wth auxlary varables s presented. Ths Bayesan approach, wth nformatve prors obtaned under the context of generalzed lnear models wth fxed auxlary varables, s formulated to estmate the parameters of nterest, to test models and to predct the survval tme of patents wth serous dseases. Varous lnk functons are consdered. The method that we are gong to study conssts n obtanng pror nformaton for the response mean correspondng to observable varables wth fxed covarates, such that we are able to nduce a pror dstrbuton on the regresson coeffcents. Ths approach uses Gbbs Samplng and Metropols-Hastngs algorthms. We end wth applcatons based on censored exponental clncal data for patents wth leukema dseases. KEYWORDS: Bayesan nference; Survval analyss; Exponental regresson; Condtonal means prors; Metropols-Hastngs algorthm. 8 Rev. Mat. Estat., São Paulo, 20: 7-9, 2002
13 Referêncas BEDRICK, J. E.; CHRISTENSEN, R.; JOHNSON, W. A New Perspectve on Prors for Generalzed Lnear Models. J. Am. Stat. Assoc., v. 9, p , 996. BEDRICK, J. E.; CHRISTENSEN, R.; JOHNSON, W. Bayesan Bnomal Regresson: Predctng Survval at a Trauma Center. Am. Stat., v. 5, n.3, p. 2-28, 997. BHATTACHARYA, S. K.; KUMAR, D.; SINGH, N. K. Bayesan Survval Analyss of Clncal Data Usng a Covarate. Braz. J. Probab. Stat., v. 2, p. 4-56, 995. BYAR, D. P. et al. An Exponental Model Relatng Censored Survval Data and Concomtant Informaton for Prostatc Cancer Patents. J. Nat. Cancer Inst., v. 52, n. 2, p , 974. CARLIN, B. P.; LOUIS, T. A. Bayes and Emprcal Bayes Methods for Data Analyss. London: Chapman and Hall, p. CHAVES, J. S. Inferênca Bayesana para Dados Clíncos Exponencas com Varáves Auxlares f. Dssertação (Mestrado em Matemátca Computaconal / Estatístca Insttuto de Cêncas Matemátcas e de Computação, Unversdade de São Paulo, São Carlos. CHIB, S.; GREENBERG, E. Understandng the Metropols-Hastngs Algorthm. Am. Stat., v. 49, n. 4, p , 995. FEIGL, P.; ZELEN, M. Estmaton Exponental Survval Probabltes wth Concomtant Informaton. Bometrcs, v. 2, p , 965. GELMAN, A.; RUBIN, D. B. Inference from Iteratve Smulaton Usng Multple Sequences. Stat. Sc., v. 7, n. 4, p , 992. MCCULLAGH, P.; NELDER, J. A. Generalzed Lnear Models. 2.ed. London: Chapman and Hall, p. ZIPPIN, C.; ARMITAGE, P. Use of Concomtant Varables and Incomplete Survval Informaton n the Estmaton of an Exponental Survval Parameter. Bometrcs, v.22, p , 966. Recebdo em Rev. Mat. Estat., São Paulo, 20: 7-9,
O problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisInferência Estatística e Aplicações II. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Inferênca Estatístca e Aplcações II Edson Zangacom Martnez Departamento de Medcna Socal FMRP/USP edson@fmrp.usp.br Métodos Bayesanos Edson Zangacom Martnez Cênca Hoje, julho de 2006 Thomas Bayes Thomas
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisUniversidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Estatística UMA FAMÍLIA DE MODELOS DE REGRESSÃO
Unversdade Federal de São Carlos Centro de Cêncas Exatas e de Tecnologa Departamento de Estatístca UMA FAMÍLIA DE MODELOS DE REGRESSÃO COM A DISTRIBUIÇÃO ORIGINAL DA VARIÁVEL RESPOSTA Marcelo de Paula
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisUMA REPARAMETRIZAÇÃO PARA A FUNÇÃO DE CONFIABILIDADE CONSIDERANDO O MODELO DE REGRESSÃO VALOR EXTREMO COM DADOS DE TEMPO DE VIDA ACELERADO
UMA REPARAMETRIZAÇÃO PARA A FUNÇÃO DE CONFIABILIDADE CONSIDERANDO O MODELO DE REGRESSÃO VALOR EXTREMO COM DADOS DE TEMPO DE VIDA ACELERADO Vera Luca D. TOMAZELLA José Carlos FOGO 2 RESUMO: Neste trabalho,
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisEstimação Bayesiana das Fragilidades Individuais de Pacientes em Tratamento de Hemodiálise
Estmação Bayesana das Fragldades Indvduas de Pacentes em Tratamento de Hemodálse Grazela Dutra Rocha Gouvêa 2 Vera Lúca Damasceno Tomazella 3 João Domngos Scalon 4 Introdução Em análse de sobrevvênca consdera-se,
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisComputação, Universidade de São Paulo - USP, Caixa Postal 668, CEP , São Carlos, SP, Brasil.
USO DE MÉTODOS BAYESIANOS EM TESTES DE VIDA ACELERADOS ASSUMINDO A DISTRIBUIÇÃO WEIBULL-EXPONENCIADA E O MODELO LEI DE POTÊNCIA INVERSA Denlton da Slva VIEIRA 1 Jorge Alberto ACHCAR 1 Vcente Garbay CANCHO
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisAlternativas ao modelo de Cox na análise de dados de sobrevivência com covariáveis dependentes no tempo
Alternatvas ao modelo de Cox na análse de dados de sobrevvênca com covaráves dependentes no tempo Luís Machado Departamento de Matemátca para a Cênca e a Tecnologa, Unversdade do Mnho Carmen Cadarso-Suárez
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia maisModelagem da proporção de produtos defeituosos usando Modelo de Quase-verossimilhança
XXV Encontro Nac. de Eng. de Produção Porto Alegre, RS, Brasl, 29 out a 01 de nov de 2005 Modelagem da proporção de produtos defetuosos usando Modelo de Quase-verossmlhança Ângelo Márco O. Sant Anna (UFRGS)
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisModelagem conjunta da média e variância utilizando GLM
XXIV Encontro Nac. de Eng. de Produção - Floranópols, SC, Brasl, 03 a 05 de nov de 004 Modelagem conjunta da méda e varânca utlzando GLM Patríca Klaser Basol ( UFRGS ) patybasol@producao.ufrgs.br Flávo
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisRobustecendo a distribuição normal
Robustecendo a dstrbução normal Marcos Rafael Noguera Cavalcante Dssertação apresentada ao Insttuto de Matemátca e Estatístca da Unversdade de São Paulo para obtenção do título de Mestre em Cêncas Programa:
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisAjuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisSELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE
SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP, NO PÓLO GESSEIRO DO ARARIPE Jáder da Slva Jale Joselme Fernandes Gouvea Alne Santos de Melo Denns Marnho O R Souza Kléber Napoleão Nunes de
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisUNIVERSIDADE FEDERAL DE MINAS GERAIS JORIA MARTINHO GONÇALVES SOLUÇÕES PARA O PROBLEMA DE SEPARAÇÃO QUASE-COMPLETA EM REGRESSÃO LOGÍSTICA
UNIVERSIDADE FEDERAL DE MINAS GERAIS JORIA MARTINHO GONÇALVES SOLUÇÕES PARA O PROBLEMA DE SEPARAÇÃO QUASE-COMPLETA EM REGRESSÃO LOGÍSTICA BELO HORIZONTE 28 JORIA MARTINHO GONÇALVES SOLUÇÕES PARA O PROBLEMA
Leia maisUniversidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº2: Distribuições Bidimensionais
Ano lectvo: 2006/2007 Unversdade da Bera Interor Departamento de Matemátca ESTATÍSTICA Fcha de exercícos nº2: Dstrbuções Bdmensonas Curso: Cêncas do Desporto 1. Consdere a segunte tabela de contngênca:
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisANDRÉ OLIVEIRA SOUZA TESTES ESTATÍSTICOS EM REGRESSÃO LOGÍSTICA SOB A CONDIÇÃO DE SEPARABILIDADE
ANDRÉ OLIVEIRA SOUZA TESTES ESTATÍSTICOS EM REGRESSÃO LOGÍSTICA SOB A CONDIÇÃO DE SEPARABILIDADE Dssertação apresentada à Unversdade Federal de Vçosa, como parte das exgêncas do Programa de Pós-Graduação
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisIntrodução a Processos Estocásticos:Exercícios
lvroexerccos 2017/3/19 11:24 page #1 Introdução a Processos Estocástcos:Exercícos Luz Antono Baccalá Escola Poltécnca da USP Departamento de Engenhara de Telecomuncações e Controle 2016 lvroexerccos 2017/3/19
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia maisEQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se
Leia maisANÁLISE BAYESIANA DA CONFIABILIDADE DE ITENS SUBMETIDOS A TESTES DE DEGRADAÇÃO
ANÁLISE BAYESIANA DA CONFIABILIDADE DE ITENS SUBMETIDOS A TESTES DE DEGRADAÇÃO Rodolfo Romualdo da Slva Insttuto Mltar de Engenhara (IME) Pça Gen Tbúrco 80 Urca Ro de Janero RJ CEP 90-70 (romu@skydome.com.br)
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisAplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade
Aplcações de Estmadores Bayesanos Empírcos para Análse Espacal de Taxas de Mortaldade Alexandre E. dos Santos, Alexandre L. Rodrgues, Danlo L. Lopes Departamento de Estatístca Unversdade Federal de Mnas
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais1 Introdução. Edson Zangiacomi MARTINEZ 1 Jorge Alberto ACHCAR 2 Francisco LOUZADA-NETO 2
ANÁLISE BAYESIANA DO DESEMPENHO DE DOIS TESTES DIAGNÓSTICOS QUANDO INDIVÍDUOS COM RESULTADOS NEGATIVOS EM AMBOS OS TESTES NÃO SÃO VERIFICADOS POR UM PADRÃO-OURO Edson Zangacom MARTINEZ 1 Jorge Alberto
Leia mais