CE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
|
|
- Daniel Macedo Sacramento
- 5 Há anos
- Visualizações:
Transcrição
1 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 do Paraná - UFPR 5 de setembro de 2018
2 Conteúdo Wagner Hugo Bonat CE085 - Estatística Inferencial 2/22
3 Conteúdo Notação e definições. Verossimilhança e log-verossimilhança. Escore e informação de Fisher. Informação observada. Desigualdade de Cramér-Rao. Wagner Hugo Bonat CE085 - Estatística Inferencial 3/22
4 Notação e Definições Wagner Hugo Bonat CE085 - Estatística Inferencial 4/22
5 Notação O vetor (n 1) de variáveis aleatórias (va) é denotado por Y = (Y 1,..., Y n ). O vetor (n 1) de realizações de uma va é denotado por y = (y 1,..., y n ). Denote f(y; θ) a função de probabilidade (fp) caso discreto ou função de densidade probabilidade (fdp) do vetor aleatório Y. Wagner Hugo Bonat CE085 - Estatística Inferencial 5/22
6 Definições Definição 1 (Parâmetro ou vetor de parâmetros) Vetor de características numéricas de uma população. Denotaremos o vetor (p 1) de parâmetros por θ. Em particular com p = 1(caso uniparamétrico) denotaremos θ. Definição 2 (Espaço paramétrico) Espaço paramétrico é o conjunto de todas as possíveis combinações entre todos os valores para todos os diferentes parâmetros envolvidos em uma fp ou fdp. Notação Ω. Definição 3 (Suporte) Suporte é conjunto de valores realizáveis de uma va. Exemplos: Binomial, Poisson e normal. Wagner Hugo Bonat CE085 - Estatística Inferencial 6/22
7 Verossimilhança - Caso uniparamétrico Definição 4 (Verossimilhança) Sejam dados y uma realização de um vetor aleatório Y com fp ou fdp f(y, θ). A função de verossimilhança L(θ) : Ω [0, ] para θ é a função aleatória L(θ) f(y, θ) onde f(y 1,..., y n θ) é a função de distribuição conjunta de Y. 1. Caso discreto não há ambiguidade então L(θ) P θ [Y = y]. 2. Caso contínuo em geral as observações são medidas com algum grau de precisão em um intervalo (y ii y i y is ). Neste caso a verossimilhança é dada por L(θ) = P θ [y 1I y 1 y 1S, y 2I y 2 y 2S,..., y ni y n y ns ]. (1) Wagner Hugo Bonat CE085 - Estatística Inferencial 7/22
8 Verossimilhança - Caso uniparamétrico Suponha que as observações são independentes e medidas com o mesmo grau de precisão. Assim, cada dado é medido em um intervalo (y i δ/2 Y i y i + δ/2). Com estas suposições a verossimilhança pode ser escrita como L(θ) = = n P θ [y i δ/2 Y i y i + δ/2] i=1 yi +δ/2 n i=1 y i δ/2 f(y i, θ)d(y i ). Wagner Hugo Bonat CE085 - Estatística Inferencial 8/22
9 Verossimilhança - Caso uniparamétrico Se o grau de precisão é alto (δ é pequeno) em relação a variabilidade dos dados, a expressão se reduz a ( n ) L(θ) f(y i, θ) δ n. i=1 Finalmente, se δ não depende de θ, temos L(θ) n f(y i, θ), (2) i=1 Para enfatizar que a verossimilhança é avaliada nas observações usamos a notação L(θ y). Wagner Hugo Bonat CE085 - Estatística Inferencial 9/22
10 Verossimilhança - Condições de regularidade 1. O parâmetro θ é identificável. Isso significa que se f(θ 1 y) = f(θ 2 y) para quase todos y R, então θ 1 = θ O suporte de f(θ y) é o mesmo para todo θ R. 3. O verdadeiro valor do parâmetro θ 0 pertence ao interior de Ω. 4. f(θ y) é duas vezes continuamente diferenciável com relação θ para quase todo y R. 5. θ e (caso contínuo), ou θ e (caso discreto) podem ser intercambiada. ** Para quase todo significa que a condição não é verdadeira para um conjunto de y com probabilidade zero de ocorrência. Wagner Hugo Bonat CE085 - Estatística Inferencial 10/22
11 Log-Verossimilhança A função de log-verossimilhança é a função estocástica l(θ) : Ω R definida por No caso iid, tem-se l(θ y) = log (L(θ y)). l(θ y) = n log (L(θ y i )). i=1 l(θ y) = quando L(θ) = 0, mas isso ocorre quando f(y 1,..., y n θ) = 0 que tem probabilidade de ocorrência igual a zero. Wagner Hugo Bonat CE085 - Estatística Inferencial 11/22
12 Exemplo Sejam Y 1,..., Y n iid ensaios Bernoulli com probabilidade de sucesso µ. Escreva a função de verossimilhança, log-verossimilhança e verifique se as condições de regularidade estão satisfeitas. Wagner Hugo Bonat CE085 - Estatística Inferencial 12/22
13 Transformação de parâmetros Suponha que o interesse seja trabalhar com ψ definido por θ = g(ψ) ao invés de θ. Assuma que g é 1 1. Então, a log-verossimilhança para ψ é dada por l(ψ) = n log f(y i, g(ψ)), i=1 apenas inserimos g(ψ) em l( ) para obter a nova log-verossimilhança. Wagner Hugo Bonat CE085 - Estatística Inferencial 13/22
14 Exemplo: Transformação de parâmetros Suponha que desejamos escrever a log-verossimilhança para ψ = log µ expψ 1 µ. Note que µ =. 1+exp ψ Wagner Hugo Bonat CE085 - Estatística Inferencial 14/22
15 Exemplo: Transformação de parâmetros Suponha que desejamos escrever a log-verossimilhança para ψ = log µ expψ 1 µ. Note que µ =. 1+exp ψ l(ψ) = n y i ψ n log(1 + exp ψ ). i=1 Wagner Hugo Bonat CE085 - Estatística Inferencial 14/22
16 Transformação nos dados Considere uma transformação 1 1 Y i = h(x i ) que será usada na log-verossimilhança ao invés de X i. Considere o caso contínuo e que h é diferenciável. Então Y i tem densidade dada por f(h 1 (y), θ) dx dy (y), assim a nova verossimilhança será l(θ) = l(θ Y1,..., Y n ) n ( = log f(h 1 (y i ), θ) dx ) i Y dy i i = i=1 n i=1 ( ) ( ) log f(h 1 dxi (y i ), θ) + log Y dy i i = l(θ X 1..., X n ) + const. Em geral estamos interessados nas derivadas de l( ) que não dependem da constante. Para fins de estimação a constante pode ser desconsiderada. Qual seria a melhor transformação para os dados? Wagner Hugo Bonat CE085 - Estatística Inferencial 15/22
17 Desigualdade de Jensen e Máxima Verossimilhança Seja g uma função estritamente convexa e Y uma v.a com E( Y ) < tal que a distribuição de Y é não degenerada. Então g(e(y)) < E(g(Y)). Por outro lado, se g é estritamente concava, então g(e(y)) > E(g(Y)). Demonstração: Exercício. Teorema 1: Seja θ 0 o verdadeiro valor do parâmetro. Então, Demonstração. P θ0 (L(θ 0 y) > L(θ y)) 1, quando n. Interpretação: L(θ 0 ) > L(θ) com alta probabilidade para n grande. Assim, L(θ) vai tender a ter o seu máximo próximo a θ 0, o verdadeiro valor de θ. Motiva a ideia de estimação por máxima verossimilhança. Wagner Hugo Bonat CE085 - Estatística Inferencial 16/22
18 Definições Uma estatística é uma variável aleatória T = t(y), onde a função t( ) não depende de θ. Uma estatística T é um estimador para θ se o valor realizado t = t(y) é usado como uma estimativa para o valor de θ. A distribuição de probabilidade de T é chamada de distribuição amostral do estimador t(y). O viés de um estimador T é a quantidade B(T) = E(T θ). O estimador T é dito não viciado para θ se B(T) = 0, tal que E(T) = θ. O estimador T é assintóticamente não viciado para θ se E(T) θ quando n. Wagner Hugo Bonat CE085 - Estatística Inferencial 17/22
19 Definições A eficiência relativa entre dois estimadores T 1 e T 2 é a razão er = V(T 1) V(T 2 ) em que V( ) denota a variância. O erro quadrático médio de um estimador T é a quantidade EQM(T) = E((T θ) 2 ) = V(T) + B(T) 2. Um estimador T é médio quadrático consistente para θ se o EQM(T) 0 quando n. O estimador T é consistente em probabilidade se ɛ > 0, P( T θ > ɛ) 0, quando n. Wagner Hugo Bonat CE085 - Estatística Inferencial 18/22
20 Função escore e Informação de Fisher Função escore para θ (efficient score) U(θ Y) = U(θ Y 1,..., Y n ) = n θ l(θ, Y i). = i=1 n i=1 θ log f(θ, Y i). Informação de Fisher ou Informação esperada I E (θ) = Var(U(θ Y)). Informação de Fisher também é chamada de intrinsic accuracy. Wagner Hugo Bonat CE085 - Estatística Inferencial 19/22
21 Igualdades de Bartlett Sob condições de regularidade (slide 10), tem-se 1. Primeira igualdade E(U(θ Y)) = Segunda igualdade I E (θ) = E(l (θ Y)) = E(U (θ Y)). Implicação: Var(U(θ Y)) = E(U(θ Y) 2 ). Exemplo: Bernoulli e Poisson. Demonstração. Wagner Hugo Bonat CE085 - Estatística Inferencial 20/22
22 Informação observada Informação observada para θ I O (θ) = l (θ Y). Note que I E (θ) = E(I O (θ)). Além disso, pela lei dos grandes números I O (θ) P I E (θ) quando n. Wagner Hugo Bonat CE085 - Estatística Inferencial 21/22
23 Desigualdade de Cramér-Rao Teorema: If θ(y 1,..., Y n ) é um estimador não viciado para θ, então Var( θ) I E (θ) 1. A quantidade I E (θ) 1 é chamado de limite inferior de Cramér-Rao. Um estimador não viciado é chamado eficiente se V( θ) = I E (θ) 1. Exemplos: Geométrica e Poisson. Demonstração. Exemplo patológico: Distribuição uniforme. Wagner Hugo Bonat CE085 - Estatística Inferencial 22/22
Apostila - Inferência baseada na Verossimilhança
Apostila - Inferência baseada na Verossimilhança Professor: Wagner Hugo Bonat - LEG/UFPR 1 Introdução Este texto se refere a inferência estatística baseada na função de Verossimilhança. Pretende ser um
Leia maisMINI - CURSO. LEG: Laboratório de Estatística e Geoinformação/UFPR. Métodos computacionais e inferência estatística. Equipe LEG :
MINI - CURSO Métodos computacionais e inferência estatística LEG: Laboratório de Estatística e Geoinformação/UFPR Equipe LEG : Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Walmes Marques Zeviani Elias
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 mais6. Amostragem e estimação pontual
6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um
Leia maisEstimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
Leia maisLista de Exercicios 1. Medidas Resumo. Estimação. Distribuições Amostrais
Introcução à Inferência Estatística. Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 15 de agosto de 007 Lista de Exercicios 1 Medidas Resumo. Estimação. Distribuições Amostrais 1
Leia maisCE085 - Estatística Inferencial
CE085 - Estatística Inferencial Revisão: Probabilidade Básica Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal do Paraná
Leia maisMINICURSO. Métodos Computacionais para Inferência com Aplicações em R
57ªRBras Reunião Anual da Região Brasileira da Sociedade Internacional de Biometria MINICURSO Métodos Computacionais para Inferência com Aplicações em R Wagner Hugo Bonat Elias Teixeira Krainski Paulo
Leia maisEstatística para Estudantes de Matemática. III Colóquio de Matemática da Região Sul
Mônica C. Sandoval, Silvia L. P. Ferrari e Heleno Bolfarine Estatística para Estudantes de Matemática III Colóquio de Matemática da Região Sul Florianópolis, SC 2014 Mônica C. Sandoval, Silvia L. P. Ferrari
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 maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisMINICURSO. Métodos Computacionais para Inferência com Aplicações em R
57ªRBras Reunião Anual da Região Brasileira da Sociedade Internacional de Biometria MINICURSO Métodos Computacionais para Inferência com Aplicações em R Wagner Hugo Bonat Elias Teixeira Krainski Paulo
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisHeleno Bolfarine Mônica Carneiro Sandoval ESTATÍSTICA
Heleno Bolfarine Mônica Carneiro Sandoval INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA V VI CONTEÚDO PREFÁCIO... iv CAPÍTULO 1. ELEMENTOS BÁSICOS... 1 1.1. Alguns Modelos Especiais........1 1.1.1. O modelo normal...1
Leia maisFernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia 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 maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia mais20ªSINAPE. Simpósio Nacional de Probabilidade e Estatística MINICURSO. Métodos Computacionais em Inferência Estatística
20ªSINAPE Simpósio Nacional de Probabilidade e Estatística MINICURSO Métodos Computacionais em Inferência Estatística Wagner Hugo Bonat Paulo Justiniano Ribeiro Jr Elias Teixeira Krainski Walmes Marques
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
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 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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Estimação de Parâmetros O objetivo da Estatística Indutiva é tirar conclusões probabilísticas sobre aspectos da população,
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
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 maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia 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 maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisMINICURSO. Métodos Computacionais para Inferência com Aplicações em R
57ªRBras Reunião Anual da Região Brasileira da Sociedade Internacional de Biometria MINICURSO Métodos Computacionais para Inferência com Aplicações em R Wagner Hugo Bonat Elias Teixeira Krainski Paulo
Leia maisModelos Lineares Generalizados - Métodos de Estimação
Modelos Lineares Generalizados - Métodos de Estimação Erica Castilho Rodrigues 07 de Abril de 2014 3 Componentes dos MLG s Os MLG s são compostos por duas partes: componente sistemático e componente aleatório.
Leia mais1.1.1 Distribuição binomial
2 CAPÍTULO 1. INTRODUÇÃO 1.1.1 Distribuição binomial Em teoria das probabilidades e na estatística a distribuição binomial é a distribuição de probabilidade do número de sucessos em uma seqüência de n
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 maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia mais03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica
Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
Leia maisMINI - CURSO. Métodos computacionais para inferência com aplicações em R. Equipe LEG :
MINI - CURSO Métodos computacionais para inferência com aplicações em R LEG: Laboratório de Estatística e Geoinformação/UFPR Equipe LEG : Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Walmes Marques Zeviani
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 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 maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia 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 maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia mais20ªSINAPE. Simpósio Nacional de Probabilidade e Estatística MINICURSO. Métodos Computacionais em Inferência Estatística
20ªSINAPE Simpósio Nacional de Probabilidade e Estatística MINICURSO Métodos Computacionais em Inferência Estatística Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Elias Teixeira Krainski Walmes Marques
Leia maisPE-MEEC 1S 09/ Capítulo 7 - Estimação por intervalos. 7.2 Intervalos de. confiança para. média de uma. normal 7.
Capítulo 7 - Estimação por intervalos 7.1 Noções básicas 7.2 Intervalos de confiança para a média de uma população normal 7.3 Intervalos de confiança para a diferença de duas médias de populações normais
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia 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 maisQuantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisVariáveis aleatórias contínuas
Variáveis aleatórias contínuas Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 20/04/2018 WB, FM,
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia maisMEEMF-2010 Aula 01. Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana
MEEMF-2010 Aula 01 Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana O que é inferência estatística? Inferência estatística é o importante ramo da Estatística
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
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 maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 951) Método de Máxima Verossimilhança (M.M.V.
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 95) Método de Máxima Verossimilhança (MMV) Definição: Qualquer ˆθ = ˆθ(X,, X n ) Θ tal que L(ˆθ; x,, x n ) = Sup{L(θ)
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Definição: Uma variável aleatória v.a. é uma função que associa elementos do espaço amostral a valores numéricos, ou seja, X : Ω A, em que A R. Esquematicamente As variáveis aleatórias
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 maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia maisTécnicas Computacionais em Probabilidade e Estatística I
c Técnicas Computacionais em Probabilidade e Estatística I Aula Chang Chiann MAE 5704- IME/SP º Sem/008 Slide c chang; /4/008 Simulação Estática Obetivo: Em análise estatística de dados, modelos estocásticos
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisCOMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA
COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA Felipe Matheus Gonçalves Costa (1); Divanilda Maia Esteves (2) 1 Universidade Estadual da Paraíba; felipematheusem@hotmail.com.br 2 Universidade
Leia maisIntrodu c ao ` a Teoria Assint otica Gauss M. Cordeiro
Introdução à Teoria Assintótica Gauss M. Cordeiro 22 ō Colóquio Brasileiro de Matemática i Prefácio A área de teoria assintótica no País cresceu muito nos últimos anos em termos de produção científica.
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Lei dos Grandes Números e Teorema Central do Limite 02/14 1 / 9 Lei dos Grandes Números Lei
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 mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
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 maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia maisInferência para CS Tópico 10 - Princípios de Estimação Pontual
Inferência para CS Tópico 10 - Princípios de Estimação Pontual Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Leia maisProbabilidade e Estatística
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Inferência Estatística stica e Distribuições Amostrais Inferência Estatística stica O objetivo
Leia mais