epidemiológica da síndroma gripal
|
|
- Maria Fernanda Fidalgo Borges
- 5 Há anos
- Visualizações:
Transcrição
1 A aplicação de Modelos de cadeias de Markov Não-Homogéneas escondidas à vigilância epidemiológica da síndroma gripal Baltazar Nunes 1 Isabel Natário 2 M. Lucília Carvalho 3 1 Departamento de Epidemiologia, Instituto Nacional de Saúde Dr. Ricardo Jorge 2 Departamento de Matemática, Faculdade de Ciências e Tecnologia (UNL); CEAUL 3 Departamento de Estatística e Investigação Operacional, Faculdade de Ciências (UL); CEAUL February 19, 2010
2 A gripe e o seu impacto 1 As epidemias de gripe encontram-se associadas a excessos de consultas médicas, urgências, hospitalizações e óbitos, que em algumas situações levam a disrupções do funcionamento dos serviços de saúde; 2 Para uma resposta mais adequada dos serviços de saúde pública e organização dos serviços de saúde seria importante identificar: o início da epidemia (do período epidémico); a semana em que o pico de incidência é atingido (assim como das consultas/urgências, hospitalizações e óbitos); a magnitude esperada do impacto da epidemia.
3 Vigilância epidemiológica da gripe Actualmente o Sistema de Vigilância Integrada Cĺınica e Laboratorial da Gripe (INSA) publica semanalmente à 4 a feira a nível europeu (European Influenza Surveillance Network) e à 5 a feira a nível nacional, relativamente à semana anterior: 1 A taxa de consultas por síndroma gripal por utentes - Rede Médicos Sentinela; 2 O número de casos de síndroma gripal positivos para o vírus influenza e sua tipificação (B,A(H3N2),A(H1N1) e A(H1N1)v) - Rede Médicos Sentinela e Urgências Sentinela; 3 E classifica a actividade gripal de acordo com a intensidade, em baixa, moderada e alta; a tendência crescente, decrescente ou estável e distribuição geográfica em casos esporádicos, surtos locais, regional ou disseminada.
4 Enquadramento Construir um modelo estatístico que com base nas várias fontes de informação existentes em Portugal consiga: 1 Prever e identificar o início do período epidémico; 2 Prever a trajectória da curva epidémica nas semanas seguintes (1 ou 2 semanas): intensidade (ou magnitude) da epidemia; a duração do período epidémico; semana de incidência máxima (pico da epidemia);
5 Enquadramento Método Objectivo Referência Regressão 1 Serfling 1963; Nunes et al 2002; Cowling 2006 ARIMA 1 Choi and Thacker 1981; Cowling 2006 CUSUM 1 Cowling 2006 Hidden Markov Models 1 Strat e Carat 1999; Rath et al 2003; Martinez-Beneito et al 2008 State Space Models 1 Zhou, T et al 2008 Não paramétricos 1,2 Viboud C et al 2003; Andersson 2008 Bayesian Networks 2 Sebastiani et al 2006
6 - Cadeias de Markov escondidas Y t representa a taxa de incidência de síndroma gripal na semana t; A cada Y t está associado uma variável S t não observada que determina a distribuição de Y t ; S t é uma cadeia de Markov homogénea com 2 estados (0=não epidémico e 1=epidémico) com as probabilidades de transição estacionárias: com i,j = 0,1 γ i,j = P[S t = j S t 1 = i]
7 - Cadeias de Markov escondidas Strat e Carrat 1999 Y t S t = i N(µ i,t, σ i) µ i,t = α i + δ it + β 1,i sin( 2π ) + β2,i cos(2π ),i = 0, Rath et al.2003 Y t S t = 0 Exp(α)i.i.d. Martínez-Beneito et al.2008 onde a representa a época de gripe Y t S t = 1 N(µ, σ)i.i.d. Z t,a = Y t,a Y t 1,a, Z t,a S t,a = 0 N(0, σ 0,a) Z t,a S t,a = 1 N(ρz t 1,a, σ 1,a) AR(1)
8 - Cadeias de Markov escondidas Modelo Estimação Comentários Strat e Carat 1999 SAEM (aproximação Assume a independência de Y t tanto estocástica no estado epidémico como no não do algoritmo EM) epidémico; Considera que Y t tem uma distribuição Normal que pode assumir valores inferiores a zero. Rath et al. algoritmo EM Assume a independência de Y t tanto (Baum-Welch) no estado epidémico como no não epidémico; Considera que Y t tem uma distribuição Exponencial no estado não epidémico para que a incidência não assuma valores negativos. Martínez-Beneito et al. Gibbs sampling MCMC (WinBUGS) Modela as diferenças de ordem 1 pois Y t não é estacionário; Modela a não independência no estado epidémico com um AR(1).
9 Características do novo modelo Equações diferentes para período epidémico e não epidémico, com inclusão de diferentes auto-correlações, periodicidade e séries temporais exógenas; Permitir que a matriz de probabilidades de transição entre os estados seja dependente do tempo através de variáveis exógenas; Definir estratégias para a previsão a curto prazo (1 a 2 semanas) de Y t (prevendo a trajectória da incidência) e de S t (prevendo as probabilidades de transição).
10 A taxa de incidência na semana t é definida por: { µ0 + ϕ y t = 0 y t 1 + β 1 cos( 2πt 52 ) + β 2 sin( 2πt 52 ) + e t,0 S t = 0 µ 1 + ϕ 1 y t 1 + θx t + e t,1 S t = 1 onde e t,i N(0,τ i ) e t = 1,...,T com a restrição de identificabilidade τ 0 > τ 1 o estado não epidémico é descrito por uma componente AR(1) e uma função cíclica de período 52 semanas; o estado epidémico é descrito por uma combinação linear de uma componente AR(1) e da taxa de incidência de SG no grupo etário 0-4 anos - x t.
11 Os estados de actividade gripal não observados S t são modelados por uma cadeia de Markov Não-homogénea com dois estados, cujas probabilidades de transição são dependentes do tempo: γ t i,j = P(S t = i/s t 1 = j) i,j {0,1} com a matriz de probabilidades de transição: Γ t = γ0,0 t γ t 0,1 γ1,0 t γ1,1 t onde γ t 0,0 = 1 γt 0,1 e γt 1,1 = 1 γt 1,0.
12 No modelo proposto por Paroli e Spezia 2008 as probabilidades de transição são modeladas por intermédio de uma função logit de uma variável exógena z t : logit(γ t 0,1 ) = ln( γ t 0,1 /γt 0,0) = α0,1,0 + α 0,1,1 z t logit(γ t 1,0 ) = ln( γ t 1,0 /γt 1,1) = α1,0,0 + α 1,0,1 z t γ t 0,1 = exp(α 0,1,0 + α 0,1,1 z t )/(1 + exp(α 0,1,0 + α 0,1,1 z t )) γ t 1,0 = exp(α 1,0,0 + α 1,0,1 z t )/(1 + exp(α 1,0,0 + α 1,0,1 z t )) Na proposta actual z t é o número de casos de síndroma gripal confirmados para o vírus influenza na semana t.
13 Estimação dos parâmetros do modelo A inferência sobre os parâmetros do modelo Ψ = (µ,τ,r,θ,β,α,s T ) será obtida por metodologias de estatística Bayesiana, com aplicação do algoritmo MCMC. Onde: µ = (µ 0, µ 1); τ = (τ 0, τ 1) sobre a restrição τ 0 > τ 1; R = (R 0,R 1) onde R i = ln ( 1+ϕi 1 ϕ i ); θ parâmetro de regressão associado a variável exógena x t; β = (β 1, β 2) parâmetros da regressão cíclica; α = (αα 0,1 s T α 0,1,αα 1,0 α 1,0) onde α 0,1 = (α 0,1,0, α 0,1,1) e α 1,0 = (α 1,0,0, α 1,0,1) s T = (s 1,..., s t,..., s T ) é a sequência de estados da actividade gripal escondidos. a distribuição inicial é fixa em δ = (1/2, 1/2)
14 Estimação dos parâmetros do modelo As distribuições a priori escolhidas para os parâmetros: µ i N(µ M ;σm 2 ) for i {0,1}; τ i Gamma(α Σ ;β Σ ), sobre a restrição τ 0 > τ 1 ; R i N(µ R ;σr 2 ) for i {0,1}; θ N(µ θ ;σθ 2); (β 1,β 2 ) N(µ B ;Σ B ); (α 0,1,0,α 0,1,1 ) N(µ A ;Σ A ); (α 1,0,0,α 1,0,1 ) N(µ A ;Σ A ).
15 Estimação dos parâmetros do modelo Distribuição a posteriori Ψ: ( ) Π Ψ y y T,y 0,X,V,Z, δ ( = f ) µ, τ,r, θ, β, α,s s T y y T,y 0, X,V, Z, δ ( f y T µ, τ,r, θ, β, α,s s T,X,V,y 0) ( ) f s T α,z, δ p(µ)p(τ)p(r)p(δ)p(β)p(α) onde, y T y T = (y 1,..., y t,..., y T ) é o vector das taxas de incidência e y 0 as taxas iniciais para o AR(1); X = (x 1,..., x t,..., x T ) é o vector da variável exógena taxa de incidência no grupo etário 0-4 anos; V = (v 1,v 2) onde v 1 = (cos(2π/52),..., cos(2πt/52),..., cos(2πt/52)) e v 2 = (sin(2π/52),..., sin(2πt/52),..., sin(2πt/52)) periodicidades; Z = (z 1,..., z t,..., z T ) é o vector da variável exógena número de casos de SG positivos para influenza.
16 Estimação dos parâmetros do modelo A verosimilhança de y T factorizada é dada por : ( f y T µ, τ,r, θ, β, α,s s T,X,V,y 0) T = f(y t y t 1, µ, τ,r, θ, β,s t,x,v,y 0) Onde, f(y t y t 1, µ, τ,r, θ, β,s t,x,v,y 0) = t=1 = { ( τ0 2π exp τ0 y t µ 0 ϕ 0y t 1 β 1 cos( 2πt ) } 2 ) β2 sin(2πt ) se s t = 0; se s t = 1. = τ1 { 2π exp τ1 (yt µ1 ϕ1yt 1 θxt)2} 2
17 Estimação dos parâmetros do modelo Finalmente a distribuição conjunta da sequência de estados de actividade gripal é dada por: f(s T α, Z, δ) = δ s1 Onde, δ = (1/2, 1/2) γ0,0 t = 1/(1 + exp(α 0,1,0 + α 0,1,1z t)) T γs t t 1,s t γ0,1 t = exp(α 0,1,0 + α 0,1,1z t)/(1 + exp(α 0,1,0 + α 0,1,1z t)) γ1,1 t = 1/(1 + exp(α 1,0,0 + α 1,0,1z t)) γ1,0 t = exp(α 1,0,0 + α 1,0,1z t)/(1 + exp(α 1,0,0 + α 1,0,1z t)) t=2
18 Algoritmo MCMC Tomemos Ψ k 1 = ( µ k 1, τ (k 1),R k 1, θ k 1, β k 1, α k 1,s T(k 1)) obtido na iteração k 1 a sequência dos estados s T(k) é gerada pelo algoritmo forward filtering - backward sampling (ff-bs) Chib 1996; os parâmetros τ0 k e τk 1 são gerados de forma independente de uma distribuição Gama condicional completa, sujeita a restrição τ0 k > τk 1 que é conseguida pela aplicação da constrained permutation sampling Frühwirth-Schnatter, 2001; os parâmetros µ k 0 e µk 1 são gerados de forma independente de uma distribuição Normal condicional completa; os parâmetros R0 k e Rk 1 são gerados de forma independente de um passeio e aleatório e aceites com base numa probabilidade de aceitação;
19 Algoritmo MCMC o parâmetro θ k é gerado de forma independente de uma distribuição Normal condicional completa; os parâmetros (β1 k, βk 2 ) são gerados de forma independente de uma distribuição Normal Multivariada condicional completa; os parâmetros (α k 0,1,0, αk 0,1,1 ) (αk 1,0,0, αk 1,0,1 ) são gerados de forma independente de passeio aleatório multivariado que são aceites com base numa probabilidade de aceitação.
20 Taxa de incidência semanas Taxa de incidência 0 4 anos semanas Nº casos positivos influenza semanas
21 azul não-epidémica (P < 0.5) vermelho epidémica (P > 0.5) Taxa de incidência semanas Prob. estado epidémico semanas
22 Procurar metodologias alternativas à apresentada no artigo Paroli e Spezia 2008 para a estimação dos parâmetros; Explorar a estrutura do modelo: usar a série Z t = Y t Y t 1, necessidade de periodicidades, outras variáveis exógenas (temperatura, humidade absoluta, etc) a diferentes lags; Desenvolver metodologia para a predição da taxa de incidência Y t e dos estados futuros de actividade gripal S t.
23 References Enquadramento Serfling RE.Methods for Current Statistical Analysis of Excess Mortality Pneumonia-Influenza Deaths. Public Heath Reports 1963; 78 6: Cowling BJ, Wong IL, Ho LI, Riley S and Leung GM. Methods for monitoring influenza surveillance data. International Journal of Epidemiology Choi K and Thacker SB.An evaluation of influenza mortality surveillance American Journal of Epidemiology 1981; 113 3: Strat L, Carrat F. Monitoring epidemiologic surveillance data using Hidden Markov Chains models. Statistics in Medicine 1999; Rath TM, Carreras M, Sebastiani P. Automated Detection of Influenza Epidemics. University of Massachusetts 2003.
24 References Enquadramento Martínez-Beneito MA, Conesa D, Lopéz-Quiléz A, Lopez-Maside A. Bayesian Markov switching models for the early detection of influenza epidemics. Statistics in Medicine 2008; Zhou T, Shumway R. One-step approximations for detecting regime changes in the state space model with application to the influenza data. Computational Statistics and Data Analysis 2008; Viboud C, Boelle PY, Carrat F, Valleron AJ, Flahault A. OPrediction of the Spread of Influenza Epidemics by the Method of Analogues. American Journal of Epidemiology 2003; Anderson E, Bock D, Frisén M. Modelling influenza incidence for the propose of on-line monitoring. Statistical Methods in Medical Research 2008; Sebastiani P, Mandl KD, Szolovits P, Kohane IS, Ramoni F. A Bayesian dynamic model for influenza. Statistics in Medicine 2006;
Boletim informativo. Vigilância Epidemiológica da Gripe. Síntese 2018/19. Semana 51/ a 23 dezembro. Data de publicação: 28/12/2018
Boletim informativo Vigilância Epidemiológica da Gripe Semana 51/2018 17 a 23 dezembro Data de publicação: 28/12/2018 Síntese Atividade gripal não epidémica Na semana 51/2018, a taxa de incidência da síndrome
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese 2018/19. Semana 48/ novembro a 02 dezembro. Data de publicação: 07/12/2018
Boletim informativo Vigilância Epidemiológica da Gripe Semana 48/2018 26 novembro a 02 dezembro Data de publicação: 07/12/2018 Síntese Atividade gripal esporádica Na semana 48/2018, a taxa de incidência
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese 2018/19. Semana 10/ a 10 março. Data de publicação: 15/03/2019
Boletim informativo Vigilância Epidemiológica da Gripe Semana 10/2019 04 a 10 março Data de publicação: 15/03/2019 Síntese Atividade gripal baixa intensidade, tendência estável. Na semana 10/2019, a taxa
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese 2018/19. Semana 52/ a 30 dezembro. Data de publicação: 04/01/2019
Boletim informativo Vigilância Epidemiológica da Gripe Semana 52/2018 24 a 30 dezembro Data de publicação: 04/01/2019 Síntese Atividade gripal disseminada Na semana 52/2018, a taxa de incidência da síndrome
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese 2018/19. Semana 08/ a 25 fevereiro. Data de publicação: 01/03/2019
Boletim informativo Vigilância Epidemiológica da Gripe Semana 08/2019 19 a 25 fevereiro Data de publicação: 01/03/2019 Síntese Atividade gripal epidémica de baixa intensidade, tendência estável. Na semana
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese 2018/19. Semana 12/ a 24 março. Data de publicação: 29/03/2019
Boletim informativo Vigilância Epidemiológica da Gripe Semana 12/2019 18 a 24 março Data de publicação: 29/03/2019 Síntese Atividade gripal não epidémica. Na semana 12/2019, a taxa de incidência da síndrome
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese 2018/19. Semana 03/ a 20 janeiro. Data de publicação: 25/01/2019
Boletim informativo Vigilância Epidemiológica da Gripe Semana 03/2019 14 a 20 janeiro Data de publicação: 25/01/2019 Síntese Atividade gripal epidémica de intensidade moderada com tendência crescente Na
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 maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese 2018/19. Semana 44/ outubro a 04 novembro. Data de publicação: 09/11/2018
Boletim informativo Vigilância Epidemiológica da Gripe Semana 44/2018 29 outubro a 04 novembro Data de publicação: 09/11/2018 Síntese Atividade gripal esporádica Na semana 44/2018, a taxa de incidência
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese. Semana 12/ a 25 março. Data de publicação: 03/04/2018
Boletim informativo Vigilância Epidemiológica da Gripe Semana 12/2018 19 a 25 março Data de publicação: 03/04/2018 Síntese Atividade gripal não epidémica no país. Na semana 12/2018, a taxa de incidência
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese. Semana 16/ a 22 abril. Data de publicação: 27/04/2018
Boletim informativo Vigilância Epidemiológica da Gripe Semana 16/2018 16 a 22 abril Data de publicação: 27/04/2018 Síntese Atividade gripal esporádica no país. Na semana 16/2018, a taxa de incidência da
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese. Semana 17/ a 29 abril. Data de publicação: 04/05/2018
Boletim informativo Vigilância Epidemiológica da Gripe Semana 17/2018 23 a 29 abril Data de publicação: 04/05/2018 Síntese Ausência de atividade gripal no país. Na semana 17/2018, a taxa de incidência
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese. Semana 15/ a 15 abril. Data de publicação: 20/04/2018
Boletim informativo Vigilância Epidemiológica da Gripe Semana 15/2018 09 a 15 abril Data de publicação: 20/04/2018 Síntese Atividade gripal esporádica no país. Na semana 15/2018, a taxa de incidência da
Leia maisBoletim informativo. Vigilância Epidemiológica da Gripe. Síntese. Semana 07/ a 18 fevereiro. Data de publicação: 23/02/2018
Boletim informativo Vigilância Epidemiológica da Gripe Semana 07/2018 12 a 18 fevereiro Data de publicação: 23/02/2018 Síntese Atividade gripal epidémica de baixa intensidade no país. Na semana 07/2018,
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 Métodos de Monte Carlo baseados em Cadeias de Markov:
Leia maisComparação do número de consultas por síndrome gripal e taxa de incidência de síndrome gripal
Comparação do número de consultas por síndrome gripal e taxa de incidência de síndrome gripal Época 2014/15 altazar Nunes, Ana Paula Rodrigues Departamento de Epidemiologia do Instituto Nacional de Saúde
Leia maisModelação do efeito do frio extremo na saúde da população de Lisboa: contributos para um sistema de vigilância e alerta
Modelação do efeito do frio extremo na saúde da população de Lisboa: contributos para um sistema de vigilância e alerta Susana Pereira da Silva Mestrado em Bioestatística - Trabalho de Projeto Orientadora:
Leia maisRelatório da fase piloto - FRIESA /16 -
Relatório da fase piloto - FRIESA - - 2015/16 - Junho de 2016 Relatório da fase piloto - FRIESA 2015/16 - Autores: Susana Pereira da Silva 1 Liliana Antunes 1 Jorge Marques 2 Sílvia Antunes 2 Carlos Matias
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 maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisInfluencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Inferência com dimensão variável Modelos com
Leia maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
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 maisModelo fatorial espacial dinâmico para dados pertencentes à família exponencial
Modelo fatorial espacial dinâmico para dados pertencentes à família exponencial Esther Salazar esalazar@dme.ufrj.br Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro 18 o SINAPE
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 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 maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisModelos Lineares Generalizados - Componentes do Modelo
Modelos Lineares Generalizados - Componentes do Modelo Erica Castilho Rodrigues 01 de Abril de 2014 3 Vejamos agora quais as componentes de um Modelo Linear Generalizado. Temos um conjunto de variáveis
Leia maisModelos de regressão para séries temporais. Autocorrelação, Heterocedasticidade, Distribuições Airlane P. Alencar IME-USP
Modelos de regressão para séries temporais Autocorrelação, Heterocedasticidade, Distribuições Airlane P. Alencar IME-USP Doutorado em Estatística IME-USP. Modelo espaço de estados com probabilidades de
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia maisP.62, Exerc. 1.3: Trocar as posições de tipo AB e tipo O.
ERRATA Segue-se uma lista de correcção de erros de digitação que não inclui os que violam regras de pontuação. Os nossos agradecimentos a todos aqueles que nos comunicaram os erros que foram detectando
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 maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisAnálise conjunta de dados longitudinais e de sobrevivência: Abordagem Bayesiana
Análise conjunta de dados longitudinais e de sobrevivência: Abordagem Bayesiana Rui Martins, Valeska Andreozzi e Giovani Silva Ericeira, 2010 Índice 1 Introdução Análise conjunta de Dados Longitudinais
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Monte Carlo via cadeias de Markov: o OpenBUGS
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisModelação da abundância de Culex pipiens em Portugal
Modelação da abundância de Culex pipiens em Portugal Marília Antunes (1, a) Patrícia de Zea Bermudez (1, b) M a da Conceição Proença (2,a) M a Teresa Rebelo (3,a) M a João Alves, Hugo Osório e equipa REVIVE
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 maisUm modelo com erros assimétricos para dados contábeis
Um modelo com erros assimétricos para dados contábeis Matheus Bertolo Guerrero 1 Maria Luiza Maes 1 Gilvania de Sousa Gomes 2 Daniela Pereira de Silva Gomes 2 José Waldemar da Silva 1 1 Introdução A Demonstração
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 maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisModelos para Dados Categóricos com Estrutura Temporal
Modelos para Dados Categóricos com Estrutura Temporal por Patrícia Lusié Coelho Velozo Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos 2009 MODELOS PARA
Leia maisDeteção de Valores Influentes e Outliers em Modelos de Volatilidade Estocástica
Deteção de Valores Influentes e Outliers em Modelos de Volatilidade Estocástica Luiz Koodi Hotta Anderson Carlos O. Motta Departamento de Estatística IMECC - UNICAMP hotta@ime.unicamp.br I Workshop de
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 maisAbordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais. Resumo
Abordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais Max Sousa de Lima 1 Luiz Henrique Duczmal 2 Resumo Nesta trabalho, nós desenvolvemos um método Bayesiano para modelagem, detecção
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 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 maisElisângela Ap. da Silva Lizzi
Elisângela Ap. da Silva Lizzi RESENHA DO ARTIGO "Gravidez na adolescência e características socioeconômicas dos municípios do Estado de São Paulo, Brasil: análise espacial" O artigo trata de um problema
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
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 maisEstimação de Modelos SEIR Estocásticos com Dados Incompletos
Estimação de Modelos SEIR Estocásticos com Dados Incompletos Autor: Márcio Augusto Diniz - IMECC/UNICAMP Co-autores: Jorge Alberto Achcar - FMRP/USP, Luiz Koodi Hotta - IMECC/UNICAMP Introdução A modelagem
Leia mais( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:
Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) orlando.sampaio@gmail.com Celma de Oliveira Ribeiro (POLI-USP) celma@usp.br André
Leia maisν ν α α π θ θ δ α α α + + α + α α + α + φ Γ φ θ θ θφ Γ δ = α ν α α ν + ν ν + ν + ν + δ + ν ν + δ + + + + + δ + + ν ν + + ν + + + ν ν ν + + ν + ν + = θ β β + Γ δ Γ δ β µ µ µµ µ µ µ µ α ν α µ
Leia maisModelos bayesianos estáticos globais na construção de tábuas de mortalidade para a macrorregião do sul de Minas Gerais
UNIVERSIDADE FEDERAL DE ALFENAS LARISSA DE ALCÂNTARA MONTEIRO Modelos bayesianos estáticos globais na construção de tábuas de mortalidade para a macrorregião do sul de Minas Gerais Varginha-MG 2016 RESUMO
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisEstimação Bayesiana em Modelo de Regressão Logística Dicotômica
Estimação Bayesiana em Modelo de Regressão Logística Dicotômica Pedro Silvestre da Silva Campos, Maria Regina Madruga, Programa de Pós-Graduação em Matemática e Estátística, CCEN, UFPA 66075-0, Campus
Leia maisRede Médicos Sentinela: instrumento de observação e investigação em saúde
Rede Médicos Sentinela: instrumento de observação e investigação em saúde Ana Paula Rodrigues 20 de Maio de 2015 Rede Médicos Sentinela Departamento de Epidemiologia Unidade de Observação e Vigilância
Leia maisvigilância epidemiológica da gripe sazonal época 2017/2018, foi construído com base nos seguintes dados e respetivas fontes de informação:
Região de Saúde do Norte Gripe sazonal - Vigilância epidemiológica Semana 4 de 27 a semanaa 4 de 28 (2 de outubro de 27 a 28 de janeiro de 28). Nota metodológica Este relatório, com dados de vigilância
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
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 maisBoletim de Vigilância Epidemiológica da Gripe. Época 2015/2016 Semana 40 - de 28/09/2015 a 04/10/2015. Ausência de atividade gripal
Resumo Ausência de atividade gripal Na semana 4 de 215 (28 de setembro a 4 de outubro), a taxa de incidência de síndrome gripal foi de 4,2 por 1. habitantes, encontrando-se na zona de atividade basal.
Leia maisModelagem espaço-temporal das notificações de leptospirose em Salvador entre 1996 e 2006
Fundação Oswaldo Cruz. Escola Nacional de Saúde Pública Projeto: Modelagem de doenças transmissíveis: contexto, clima e espaço Modelagem espaço-temporal das notificações de leptospirose em Salvador entre
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisEste relatório, com dados de vigilância epidemiológica da gripe sazonal época 2017/2018, foi construído com base nos seguintes dados:
Região de Saúde do Norte Gripe sazonal - Vigilância epidemiológica Semana 40 a 50 de 2017 (2 de outubro a 17 de dezembro de 2017) 1. Nota metodológica Este relatório, com dados de vigilância epidemiológica
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia maisRESUMO Energia e renda no Brasil: elasticidades-renda e concentração das despesas Palavras-chave:
per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per capita per
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 maisAplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais
Aplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais Orientador: Paulo Justiniano Ribeiro Jr Universidade Federal do Paraná Programa de Pós-Graduação em Métodos
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 maisPlano. Aspectos Relevantes de HMMs. Teoria de HMMs. Introdução aos Modelos Escondidos de Markov
Plano Esta apresentação é para pessoas sem conhecimento prévio de HMMs Introdução aos Modelos Escondidos de Markov 2004 Objetivos: Ensinar alguma coisa, não tudo (Visão geral, sem muitos detalhes). Tentar
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisModelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável
Modelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável Maria das Vitórias Alexandre Serafim 1 Manuel Rivelino Gomes de Oliveira 2 Divanilda Maia Esteves 3 Paulo José Duarte-Neto
Leia maisEstimação da estrutura a termo da taxa de juros por Inferência Bayesiana: uma aplicação do método de Monte Carlo Hamiltoniano
Estimação da estrutura a termo da taxa de juros por Inferência Bayesiana: uma aplicação do método de Monte Carlo Hamiltoniano Rafael Lima Batista EESP-FGV Márcio Poletti Laurini FEARP-USP RESUMO O objetivo
Leia maisMonitorização da efetividade da vacina antigripal utilizando o método screening
Monitorização da efetividade da vacina antigripal utilizando o método screening Ausenda Machado 1, Maria Graça Freitas 2, Raquel Guiomar 3, Carlos Matias Dias 1, Baltazar Nunes 1 1 Departamento de Epidemiologia,
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 maisI N S T I T U T O N A C I O N A L D E S A Ú D E D O U T O R R I C A R D O J O R G E MÉDICOS-SENTINELA. O que se fez em 2000
I N S T I T U T O N A C I O N A L D E S A Ú D E D O U T O R R I C A R D O J O R G E MÉDICOS-SENTINELA O que se fez em 2000 14 Lisboa Setembro de 2014 D e p a r t a m e n t o d e E p i d e m i o l o g i
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
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 maisvigilância epidemiológica da gripe sazonal época 2017/2018, foi construído com base nos seguintes dados:
Região de Saúde do Norte Gripe sazonal - Vigilância epidemiológica Semana 4 a 5 de 27 (2 de outubro a 24 de dezembro de 27). Nota metodológica Este relatório, com dados de vigilância epidemiológica da
Leia maisAnálise de séries temporais Gaussianas univariadas por meio de modelos dinâmicos lineares
Análise de séries temporais Gaussianas univariadas por meio de modelos dinâmicos lineares Vanessa Ferreira Sehaber PPGMNE, Universidade Federal do Paraná Curitiba, Brasil vsehaber@gmail.com Paulo Justiniano
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisO Risco de morrer por doença crónica em Portugal de 1980 a 2012: tendência e padrões de sazonalidade
O Risco de morrer por doença crónica em Portugal de 198 a 212: tendência e padrões de sazonalidade Baltazar Nunes Departamento de Epidemiologia Instituto Nacional de Saúde Dr. Ricardo Jorge IV Congresso
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 maisCadeias de Markov. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Cadeias de Markov Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 3 e 4 Taylor & Karlin 1 / 71 Cadeias de Markov Seja X 0, X 1,...
Leia maisComparação de Modelos Bayesianos na Análise de Dados de Contagem de CD4. Emílio A. C. Barros Jorge Alberto Achcar
Comparação de Modelos Bayesianos na Análise de Dados de Contagem de CD4 Emílio A. C. Barros Jorge Alberto Achcar Faculdade de Medicina de Ribeirão Preto-USP Introdução Dados longitudinais de Contagem na
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 mais