Universidade Federal de Lavras Departamento de Ciências Exatas
|
|
- Maria Luiza Caldas
- 5 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de Lavras Departamento de Ciências Exatas Dependência via Cópulas Devanil Jaques de Souza Lucas Monteiro Chaves 27/11/2009
2 Variável aleatória bi-dimensional ( XY, ) ~ FXY, ( x, y) As marginais: FX ( x ) e FY ( y )
3 Variável aleatória bi-dimensional ( XY, ) ~ FXY, ( x, y) As marginais: FX ( x ) e FY ( y ) A estrutura de dependência entre X e Y
4 Variável aleatória bi-dimensional ( XY, ) ~ FXY, ( x, y) As marginais: FX ( x ) e FY ( y ) A estrutura de dependência entre X e Y O coeficiente de correlação de Pearson ρ XY, Cov X, Y = σ σ ρ ρ + + XY, = ax b, cy d ( μ )( μ ) E X X Y Y = X Y E X E Y ( μ ) ( μ ) 2 2 X Y
5 Problema: Capta dependência linear Y = ax + b ρ =± 1
6 Como modelar outras dependências: Tau de Kendall amostral Uma amostra bivariada de tamanho n: ( x, y ), ( x, y ),..., ( x, y ) c número de pares concordantes ( x x )( y y ) > 0 n n i j i j d número de pares discordantes ( x x )( y y ) < 0 O coeficiente Tau de Kendall amostral: c d t = c + d i j i j
7 Tau de Kendall populacinal ( X, Y ) e (, ) 1 1 F. X 2 Y 2 duas cópias independentes de uma população XY, Probabilidade de concordância do tipo 1 P ( X X )( Y Y ) c1 = P > ( ) ( ) = 2 F x, y f x, y dx dy, XY, XY, Probabilidade de discordância do tipo 1 P ( X X )( Y Y ) d1 = P < 0 = 1 P c Tau de Kendall populacional τ = Pc 1 P 1 d
8 Se X e Y têm distribuição conjunta normal bivariada então ` 2 τ = arcsinρ π
9 ( ) sgn ( ) A sgn X X Y Y = ( j i) ij j i j i sgn ( u) 2 T = n n 1 caso u > 0 = -1 caso u < 0 ( 1) n 1 n i= 1 j= i+ 1 A ij T é um estimador não viesado e consistente de τ.
10 O RHO de Spearman amostral Amostra (, ),(, ),...,(, ) x y x y x y de uma população bivariada ( X, Y ). Sejam (, ),(, ),...,(, ) n n p q p q p q os respectivos postos. n n n ( ) 2 i i. S = p q i= 1 O Rho de Spearman amostral 6 S R = 1 = n n 2 ( 1) n i= 1 n ( Pi P)( Qi Q) n ( Pi P) ( Qi Q) i= 1 i= 1 2 2
11 O RHO de Spearman populacional (, ) X i Y i, ( j, j ) X Y e (, ) população bivariada e contínua ( X, Y ). Probabilidade de concordância do tipo 2: c2 = P j i k i > 0 Probabilidade de discordância do tipo 2: P ( X X )( Y Y ) P ( X X )( Y Y ) d 2 X Y três cópias independentes de uma k = P j i k i < 0 RHO de Spearman populacional ( ) ρ = 3 P P = 6P 3= 3 6P S c d c k d
12 Relação entre o RHO de Spearman e o coeficiente de correlação produtomomento de Pearson X e Y com distribuição conjunta normal bivariada: 6 ρ ρ S = arcsin π 2
13 Variável aleatória bidimensional ( XY, ) ( xy, ) F F F, ( x, y) ( x) ( y) XY X Y ( F ( x), F ( y) ) F ( x, y) X Y X, Y Uma cópula
14 Sejam I 0,1 = ( uv, ) I 2 2 Cópula bi-dimensional: uma função C: I P1 - C( 0, v) = C( u,0) = 0, Cu (,1) = u e ( 1, ) I C v = v
15 C(u,v) u v P2 - Cbd ( ) Cad ( ) Cbc ( ) Cac ( ),,, +, 0 em que a< b c< d
16 Exemplos de Cópulas E1 - (, ) C u v = uv I
17 E2 - C ( u v) = { u+ v } 0, max 1,0
18 E3 - C ( u v) = { u v} 1, min,
19 Desigualdade de Fréchet-Hoeffding: Se C ( u v) = { u+ v } 0, max 1,0 e C ( u v) = { u v} então 1, min, (, ) (, ) (, ) C u v C u v C u v 0 1
20 Teorema de Sklar: Sejam X e Y variáveis aleatórias com distribuições marginais X ( ) = P[ ] G ( y) = P[ Y y] F x X x e distribuição conjunta ( ) [ ] H, x, y = P X x, Y y. XY Então, tomando-se u = F ( x) e v G ( y) X Y ( ) =, 1 1 (, ) = ( ), ( ) é uma cópula. C u v H F u G v XY, X Y Y
21 Além disso: para quaisquer FX ( x ) e GY ( y ) e qualquer cópula ( ) C( u, v, ) H ( x y) = C F ( x) G ( y) é uma conjunta XY X Y,,, admissível. se FX ( x ) e GY ( y ) são contínuas, para cada conjunta H ( x y ) admissível existe uma e somente uma cópula XY,, ( ) C( u, v ) tal que H ( x y) C F ( x) G ( y),, =,. XY X Y
22 Propriedade: Se f (.) e (.) estritamente crescentes então C C UV, = f U, g V g são funções
23 Cópulas e o TAU de Kendall = 4 F x, y f x, y dx dy 1 τ ( ) ( ) XY, XY, 2 (, ) C u v = 4 C( u, v) dudv 1 u v Cópulas e o RHO de Spearman ρ F ( x) F ( y) f ( x y) S = 12, X Y X, Y 2 (, ) C u v = 12 u v du dv 3 u v
24 Construção de Cópulas - Método da mistura (compound) Exemplo: γ x P X x γ = 1 e P X x E γ P X x γ = = 1 1+ x γ ~ Gama ( r, λ ) X 1 e X 2 independentes, a menos de um risco γ. F ( x, x ) ( ) ( ) ( ) 1 2 ( λ ) r 1r 1r = F1 x1 + F2 x2 1 ( 1 F1 x1 ) + ( 1 F2( x2) ) 1 r r 1 r 1 r C( u, v ) u v ( u) ( v) = + +
25 Construção de Cópulas - Cópulas Arquimedianas φ : 0,1 0, função convexa estritamente decrescente 1 ( ( u ) + ( v )) = C ( u, v ) φ φ φ φ () t () t t φ ( ) t φ ( ) 1 1 φ 0 = 0 0 ( ) 1 φ (.) função geradora da cópula Cuv (, ) = φ φ( u) + φ( v)
26 11 Ajuste de Cópulas: τ C( u v) 00 2 (, ) C u v = 4, dudv 1 u v Os dados: X índice de estresse hídrico da região de Castro Paraná Y produtividade de soja no município de Castro Paraná Período de 1980/1981 a 2007/2008 X = ( 1.156, 1.147,..., ) Y = ( 2200, 2134,..., 3126) Corr ( X, Y ) = 0.47
27 As cópulas e a relação entre os parâmetros e o Tau de Kendall ( ) Família Expressão C u, v parâmetro Tau de Kendall 1 θ Clayton max θ θ u v 1,0 + θ 1 θ θ+2 1 θ θ ( ) θ 1 Gumbel exp ( lnu) + ( ln v) θ 1 1 θ 2 Normal NXY, N u, N u 1 1 arcsin π 2 Morgenstern uv 1 + θ( 1- u)( 1 v) 1 θ 1 θ ( U ( ) V ( )) ρ ( ρ) Clayton θ = Gumbel θ = τ = Normal ρ = Morgenstern NA
28 Qualidade do ajuste Método gráfico: comparar o scatter plot de uma amostra grande da cópula ajustada e os pontos ( R ( n + 1, ) S ( n + 1) ) (suporte da cópula empírica) i i
29 Clayton(1,024) samp.clayton[, 1] Gumbel-Hougaard(1,512) samp.gumbel[, 1] samp.clayton[, 2] samp.gumbel[, 2]
30 Clayton(1,024) samp.clayton[, 1] Normal(0,518) samp.normal[, 1] samp.clayton[, 2] samp.normal[, 2]
31 Gumbel-Hougaard(1,512) samp.gumbel[, 1] Normal(0,518) samp.normal[, 1] samp.gumbel[, 2] samp.normal[, 2]
32 Referências Anjos, U.U., Ferreira, F.H., Kolev, N.V., Mendes, B.V.M., Modelando dependências via Cópulas. ABE. 16º SINAPE. Joe, H., 1997, Multivariate Models and Dependence Concepts, Chapman&Hall-CRC Nelsen, R.B., Dependence Modeling with Archimedian Copulas. Proceedings of the First Brazilian Conference on Statistical Modeling in Insurance and Finance. IME-USP. Nelsen, R.B., Concordance and copulas: A survey. Kluwer Academic Publishers, Dordrecht, pp Nelsen, R.B. 1999, An Introduction to Copulas, Springer. Yan, J. 2007, Enjoy the joy of copulas: With a package copula. Journal of Statistical Software, Volume 21, Issue 4.
33 Genest, C., Rémillard, B. e Beaudoin, D. 2007, Goodness-of-fit for copulas: A review and a power study. Insurance:Mathematics and Economics 44, , Genest, C. e Favre, A.C., Everything You Always Wanted to Know about Copula Modeling but Were Afraid to Ask. Journal of Hydrological Engineering. Frees, E.W. e Valdez, E.A., 1998, Understanding Relationships Using Copulas. North American Actuarial Journal, volume 2, number 1.1
Medidas de assimetria bivariada e dependência local FLÁVIO HENN FERREIRA
Medidas de assimetria bivariada e dependência local FLÁVIO HENN FERREIRA TESE APRESENTADA AO INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE SÃO PAULO PARA OBTENÇÃO DO TÍTULO DE DOUTOR EM CIÊNCIAS
Aula 11. Variáveis Aleatórias Contínuas Bidimensionais
Aula. Variáveis Aleatórias Contínuas Bidimensionais Resumo de caso unidimensional Caso Discreto p p 2 p 3 Caso Contínuo f(x) x x 2 x 3 i p i + f x dx X x x 2 x 3 P p p 2 p 3 Caso bidimensional Caso Discreto
3 Dependência homogênea e heterogênea de cauda
3 Dependência homogênea e heterogênea de cauda Neste trabalho, usaremos o conceito de dependência homogênea de cauda, introduzido na década de 60, em conjunto com o conceito de dependência heterogênea
Cópula Gaussiana Aplicada a uma Nova Modelagem da Dependência em Risco Operacional
Cópula Gaussiana Aplicada a uma Nova Modelagem da Dependência em Risco Operacional Guaraci Requena 1 Débora Delbem 2 Carlos Diniz 3 Resumo O Acordo de Basileia II recomenda que os bancos reservem um capital
CADERNOS DO IME Série Estatística
CADERNOS DO IME Série Estatística UMA APLICAÇÃO DA MODELAGEM DE DEPENDÊNCIAS NA ANÁLISE DE RISCO DE PROJETOS Ricardo de Melo e Silva Accioly Instituto de Matemática e Estatística - UERJ ricardo.accioly@gmail.com
MESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA. 1ª Chamada 10/01/2008.
MESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA 1ª Chamada 10/01/2008 Parte Teórica DURAÇÃO : 50 min COTAÇÃO DA PARTE TEÓRICA: 8 Valores em 20 PERGUNTAS DE
Revisões 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....................................
MESTRADO FINANÇAS TRABALHO FINAL DE MESTRADO DISSERTAÇÃO ANÁLISE DE RISCO DE CRÉDITO MODELAÇÃO TIAGO ANDRÉ CARDOSO ANTUNES
MESTRADO FINANÇAS TRABALHO FINAL DE MESTRADO DISSERTAÇÃO ANÁLISE DE RISCO DE CRÉDITO MODELAÇÃO DE DISTRIBUIÇÕES BASEADA EM CÓPULAS TIAGO ANDRÉ CARDOSO ANTUNES ORIENTAÇÃO: DR. CARLOS PESTANA BARROS 2ºSEMESTRE
Medidas de dependência local para séries temporais
Medidas de dependência local para séries temporais Sumaia Abdel Latif TESE APRESENTADA AO INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE SÃO PAULO PARA OBTENÇÃO DO TÍTULO DE DOUTORA EM CIÊNCIAS
Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
IND 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
PARTE 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
TÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Diurno) 2009/2010. Primeira Parte. F (b) F (a) =P (a <X<b) P (a <X<b)=
TÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Diurno) 009/010 [,0] 1. Considere as seguintes afirmações: Primeira Parte I. Sendo F a função de distribuição da variável aleatória (v.a.) discreta X,
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:
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
A dependência entre a inflação cabo-verdiana e a portuguesa: uma abordagem de copulas.
A dependência entre a inflação cabo-verdiana e a portuguesa: uma abordagem de copulas. Jailson da Conceição Teixeira Oliveira 1 Murilo Massaru da Silva 2 Robson Oliveira Lima 3 Resumo: Cabo Verde é um
FUNDAÇÃO GETÚLIO VARGAS ESCOLA DE ECONOMIA DE SÃO PAULO RICARDO PIRES DE SOUZA SANTOS MODELANDO CONTÁGIO FINANCEIRO ATRAVÉS DE CÓPULAS
FUNDAÇÃO GETÚLIO VARGAS ESCOLA DE ECONOMIA DE SÃO PAULO RICARDO PIRES DE SOUZA SANTOS MODELANDO CONTÁGIO FINANCEIRO ATRAVÉS DE CÓPULAS SÃO PAULO RICARDO PIRES DE SOUZA SANTOS MODELANDO CONTÁGIO FINANCEIRO
Teoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
TE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Vetores Aleatórios 10 de setembro de 2017 Modelos Probabiĺısticos para N Variáveis Aleatórias F X1,...,X n (x 1,...,x n) = P[X 1 x 1,..., X n x n] (x 1,...,x
Funções de Cópula na Precificação de Opções. Rodrigo Moreira de Assis Márcio Poletti Laurini
Funções de Cópula na Precificação de Opções Rodrigo Moreira de Assis Márcio Poletti Laurini Insper Working Paper WPE: 158/2008 Copyright Insper. Todos os direitos reservados. É proibida a reprodução parcial
Segunda 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
Cópulas em Processos Estocásticos
Universidade Federal do Rio Grande do Sul Instituto de Matemática Programa de Pós-Graduação em Matemática Cópulas em Processos Estocásticos por GUILHERME PUMI Porto Alegre, 3 de agosto de 6. Dissertação
Universidade de Brasília IE - Departamento de Estatística Estágio Supervisionado 2. Modelos multidimensionais: Cópulas D-Vine
Universidade de Brasília IE - Departamento de Estatística Estágio Supervisionado 2 Modelos multidimensionais: Cópulas D-Vine Lucas Lourenço Cunha Bragança Brasília Julho de 2015 Lucas Lourenço Cunha Bragança
Lista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO COPPEAD DE ADMINISTRAÇÃO DANIEL DA SILVA MARQUES UMA APLICAÇÃO DE ESTIMAÇÃO ROBUSTA DE PAIR-COPULAS
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO COPPEAD DE ADMINISTRAÇÃO DANIEL DA SILVA MARQUES UMA APLICAÇÃO DE ESTIMAÇÃO ROBUSTA DE PAIR-COPULAS NA FORMAÇÃO E ADMINISTRAÇÃO DE CARTEIRAS RIO DE JANEIRO
Grupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Análise Exploratória de dados bivariados
Análise Exploratória de dados bivariados Consideremos realizações de pares ordenados: (x,y ),...,(x,y ). As variáveis X e Y ocorrem emparelhadas (e.g. X=Temp. mínima do dia, Y=Precipitação acumulada no
TÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Nocturno) 2009/2010. Primeira Parte. P (X a) =1 F (a). 0 f(x) 1. P (X a X b) = F (a) F (b)
TÓPICOS DE RESOLUÇÃO - Exame de Época de Recurso (Nocturno) 009/00 Primeira Parte [,0]. Considere a variável aleatória (v.a.) X e seja F (x) a sua função distribuição. Considere as seguintes afirmações:
TE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Duas Variáveis Aleatórias 29 de agosto de 2017 Duas Variáveis Aleatórias Função Distribuição Acumulada Conjunta: F X,Y (x,y) = P[X x, Y y] Propriedades: (a) 0
Introdução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Técnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística. Dissertação de Mestrado
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Dissertação de Mestrado Estimação bayesiana via cópulas para dados com censura intervalar bivariados por Fábio De Araújo
38º Encontro Anual da Anpocs. GT 16 Financiamento do Sistema Partidário e Eleitoral nas democracias contemporâneas
38º Encontro Anual da Anpocs GT 16 Financiamento do Sistema Partidário e Eleitoral nas democracias contemporâneas O poder dos gastos de campanha: evidências probabilísticas Clarissa Benatti Silva (Faculdade
Vetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Ricardo 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
Dessa forma, podemos reescrever o domínio
Turma A Instituto de Matemática e Estatística da USP MAT55 - Cálculo Diferencial e Integral III para Engenharia a. Prova - o. Semestre - 9// Questão. (. pontos) Calcule as seguintes integrais: (a) arctg(y)
Processos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Universidade 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
3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Probabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
4 Distribuição normal assimétrica
4 Distribuição normal assimétrica A grande motivação para a definição da distribuição normal assimétrica é obter uma classe de distribuições paramétricas que apresente uma transição contínua da normalidade
Value at Risk e Cópula
Universidade de Brasília Instituto de Exatas Departamento de Estatística Value at Risk e Cópula VaR de um Portfolio de ações e Cópula Bivariada Thiago Assunção de Faria Brasília 2011 Thiago Assunção de
x = u y = v z = 3u 2 + 3v 2 Calculando o módulo do produto vetorial σ u σ v : 9u 2 + 9v 2
MAT 255 - Cálculo Diferencial e Integral para Engenharia III a. Prova - 22/6/21 - Escola Politécnica Questão 1. a valor: 2, Determine a massa da parte da superfície z 2 x 2 + y 2 que satisfaz z e x 2 +
TEORIA DE VALORES EXTREMOS APLICADA NA ANÁLISE DE TEMPERATURA MÁXIMA EM URUGUAIANA, RS.
TEORIA DE VALORES EXTREMOS APLICADA NA ANÁLISE DE TEMPERATURA MÁXIMA EM URUGUAIANA, RS. 1. INTRODUÇÃO Nosso planeta seguiu uma evolução desde sua origem, passando por transformações significativas em sua
Vetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 14 de abril de 2014 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Análise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
MAE0212 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..
Pr = 6 = = = 0.8 =
IND 5 Inferência Estatística Semestre 004.0 Teste 05/0/004 GABARITO Problema (5 pontos) Uma gulosa professora de estatística é fissurada por trufas de chocolate. Em busca da trufa ideal, ela vai provando
Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Distribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO 1 Livros Grátis http://www.livrosgratis.com.br Milhares de livros grátis para download. INSTITUTO COPPEAD DE ADMINISTRAÇÃO 2 UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
Modelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Soluções da Colectânea de Exercícios
Soluções da Colectânea de Exercícios (Edição de Fevereiro de 2003) Capítulo 1 1.1 d) x = 3.167; s = 0.886 (dados não agrupados) e) mediana = x = 3.25; q 1 = 2.4 ; q 3 = 3.9 1.2 a) x = 2.866 ; x = 3; moda
Nome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Par 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
1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
LEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Econometria 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:
Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
d [xy] = x arcsin x. dx + 4x
Instituto de Matemática e Estatística da USP MAT456 - Cálculo Diferencial e Integral IV para Engenharia 3a. Prova - o. Semestre 01-6/11/01 Turma A Questão 1. a (1,0 ponto Determine a solução geral da equação
INTRODUÇÃO. Univariada Bivariada Multivariada. Classificação. Análise Espacial Descrição Estimação
INTRODUÇÃO Dados Monitorização Ambiental Descrição Estatística Univariada Bivariada Multivariada Classificação d A B C D E F G γ(h) 12 c0+c1 8 4 Mina de Feitais -Teor em As (%) Sondagem Modelo Esférico
EXAME NACIONAL DE SELEÇÃO 2010
EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1 o Dia: 30/09/2009 - QUARTA FEIRA HORÁRIO: 10h 30m às 12h 45m (horário de Brasília) EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1º Dia: 30/09
5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Variância pop. * conhecida Teste t Paramétrico Quantitativa Distribuição normal Wilcoxon (teste dos sinais, Wilcoxon p/ 1 amostra)
Testes de Tendência Central (média, mediana, proporção) Classificação Variável 1 Variável 2 Núm ero Gru pos Dependência Teste Z Paramétrico Quantitativa - 1 - Premissas Variância pop. * conhecida Teste
Exemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
ÁLGEBRA LINEAR I - MAT0032
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e Da Natureza Centro Interdisciplinar de Ciências da Natureza ÁLGEBRA LINEAR I - MAT32 12 a Lista de exercícios
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS - Lista I
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS - Lista I 1. Desenhe um campo de direções para a equação diferencial dada. Determine o comportamento de y quando t +. Se esse comportamento depender do valor inicial de
Estatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Um estudo sobre funções de dependência e medidas de risco. Marcelo Gonçalves
Um estudo sobre funções de dependência e medidas de risco Marcelo Gonçalves Tese apresentada ao Instituto de Matemática e Estatística da Universidade de São Paulo para obtenção do título de Doutor em Ciências
Amostra Aleatória Simples
Amostra Aleatória Simples Airlane Pereira Alencar 4 de Abril de 2018 Alencar, A.P. (IME-USP) Amostra Aleatória Simples 4 de Abril de 2018 1 / 34 Definições e Notações Notações População ou Universo U =
FAMÍLIA 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
Aplicação de cópulas na modelação do número de sinistros de grupos de risco homogéneos no seguro automóvel
Aplicação de cópulas na modelação do número de sinistros de grupos de risco homogéneos no seguro automóvel Mariana Faria dos Santos ISEG, Universidade Técnica de Lisboa Resumo Neste artigo é apresentada
Redalyc. Sistema de Informação Científica
Redalyc Sistema de Informação Científica Rede de Revistas Científicas da América Latina o Caribe, a Espanha e Portugal Reed Bergmann, Daniel; Ferreira Savoia, José Roberto; Mendes-da-Silva, Wesley; Aparecido
R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais
30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Michel Angelo Constantino de Oliveira. Ensaios sobre função de produção e eciência: uma abordagem baseada em vine-cópulas.
Universidade Católica de Brasília Michel Angelo Constantino de Oliveira Ensaios sobre função de produção e eciência: uma abordagem baseada em vine-cópulas. Tese apresentada ao departamento de Economia
Lista de Exercícios #3 Assunto: Variáveis Aleatórias Multidimensionais Discretas
1. ANPEC 2018 - Questão 07 Em um problema envolvendo variáveis aleatórias independentes, um estudante calculou corretamente que E(Y) = 2, E(X 2 )E(Y) = 6, E(X)E(Y 2 ) = 8 e E(X) 2 E(Y) 2 = 24. Avalie as
Dependência entre o Real e o Peso Chileno usando cópulas com mudanças de regime
Dependência entre o Real e o Peso Chileno usando cópulas com mudanças de regime Rodrigo de Sá Resumo Neste trabalho, utilizando cópulas, estimamos a dinâmica da dependência entre a taxa de câmbio do Brasil
MOQ 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
Lucas Santana da Cunha 27 de setembro de 2017
ESTIMAÇÃO PONTUAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 27 de setembro de 2017 Estimativas pontuais Estimação é o nome técnico para o processo que
3. 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.
Eng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Eng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM TÓPICOS DESTA AULA Revisão de Estatística Coleta de dados Análise de dados
Filho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Análise Multivariada
Análise Multivariada Getúlio Amaral Universidade Federal de Pernambuco 2006 As notas de aula Apenas apresentam os tópicos de Interesse. O aluno precisa consultar os livros abaixo para obter os conhecimentos
EXAME DE ESTATÍSTICA / ESTATÍSTICA I
INSTITUTO POLITÉCNICO DE SETÚBAL ESCOLA SUPERIOR DE SAÚDE EAME DE ESTATÍSTICA / ESTATÍSTICA I Cursos: Licenciatura em Enfermagem e Licenciaturas Bi-etápicas em Fisioterapia e em Terapia da Fala Época de
Métodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Tópicos de matrizes e Distribuição Normal Multivariada
Tópicos de matrizes e Distribuição Normal Multivariada CAPÍTULO 1 Alguns resultados importantes 11 definições I n : matriz Identidade de dimensão (n n) J n : 11 t 111 Traço Sejam A p p, B p p, C p p, D
Nome: N o : Espaço reservado a classificações
ESTATÍSTICA I 2 o Ano/Gestão 1 o Semestre Época Normal Duração: 2 horas 1 a Parte Teórica N o de Exame: abcde 03.Jan.11 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação: 8 valores).
Gabarito e resolução da prova de seleção PPGE FURG Estatística
Gabarito e resolução da prova de seleção PPGE FURG 2019. Questão 1) Resposta: letra c) i. (FALSO) Estatística Variáveis de interação sempre podem ser incluídas mos modelos de regressão, se isso não gerar
CE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
Capítulo 3. Curva de Correlação. não é necessariamente homoscedástica, iremos considerar o modelo
Capítulo 3 Curva de Correlação 3 Curva de Correlação Cruzada Contemporânea 3 Introdução Considere { ( X t Yt ) t Z} um processo estacionário estrito com X t a valores contínuos tal que Y t possuem segundos
Objetivos. fim de servir de entrada na simulação de um modelo.
Geração de variáveis aleatórias Objetivos Geração de amostras para uma distribuição em específico a fim de servir de entrada na simulação de um modelo. Ilustrar algumas técnicas usadas para geração de
MAT 3210 Cálculo Diferencial e Integral II. Prova SUB B
MAT 3210 Cálculo Diferencial e Integral II Prof. Paolo Piccione 25 de Novembro de 2011 Prova SUB B Nome: Número USP: Assinatura: Instruções A duração da prova é de uma hora e quarenta minutos. Assinale
MAT 3210 Cálculo Diferencial e Integral II. Prova SUB C
MAT 3210 Cálculo Diferencial e Integral II Prof. Paolo Piccione 25 de Novembro de 2011 Prova SUB C Nome: Número USP: Assinatura: Instruções A duração da prova é de uma hora e quarenta minutos. Assinale
MAT 3210 Cálculo Diferencial e Integral II. Prova SUB D
MAT 3210 Cálculo Diferencial e Integral II Prof. Paolo Piccione 25 de Novembro de 2011 Prova SUB D Nome: Número USP: Assinatura: Instruções A duração da prova é de uma hora e quarenta minutos. Assinale
MAT 1351 : Cálculo para Funções de Uma Variável Real I. Sylvain Bonnot (IME-USP)
MAT 1351 : Cálculo para Funções de Uma Variável Real I Sylvain Bonnot (IME-USP) 2016 1 Aplicação das derivadas: Equações diferenciais Teorema As soluções da equação y = 0 num intervalo (a, b) são exatamente
Probabilidade II Lista 1 - Vetores Aleatórios
Probabilidade II Lista - Vetores Aleatórios Exercício. Duas moedas equilibradas são lançadas de forma independente. Dena as v.a's X : número de caras nos dois lançamentos e Y : função indicadora de faces
Soluções da Colectânea de Exercícios
Soluções da Colectânea de Exercícios (Edição de Fevereiro de 2003) Capítulo 1 1.1 d) x = 3.167; s = 0.886 (dados não agrupados) e) mediana = x = 3.25; q 1 = 2.4 ; q 3 = 3.9 1.2 a) x = 2.866 ; x = 3; moda
Mais 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