Técnicas computacionais em probabilidade e estatística II
|
|
- Fábio Prada
- 4 Há anos
- Visualizações:
Transcrição
1 Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística mbranco Métodos de Monte Carlo baseados em Cadeias de Markov: Diagnóstico.
2 Construção e uso da amostra MCCM Primeira idéia: construir n cadeia paralelas e após m iterações, supondo obtido o equiĺıbrio, compor uma amostra independente de tamanho n. Processo pouco eficiente, pois n m valores são descartados. Alternativa 1: considerar uma única cadeia e após m iterações compor a amostra com os próximos n valores. A amostra não é independente. Se as autocorrelações são muito altas pode ser necessário uma amostra muito grande para percorrer todo espaço paramétrico. Alternativa 2: considerar saltos de comprimento k para compor uma amostra aproximadamente independente.
3 A amostra simulada é um conjunto de vetores de dimensão d, θ (1),...,θ (n) da distribuição multivariada limite π. Usualmente o interesse são as marginais. É garantido que as componentes marginais do vetor formam uma amostra da distribuição marginal correspondente. Para qualquer função t(θ) podemos construir também uma amostra MCCM usando os valores simulados da cadeia original. Intervalos bayesianos de credibilidade (aproximados) podem ser obtidos considerando-se os percentis da amostra simulada. A densidade marginal da i-ésima componente do vetor pode ser estimada pelo alisamento do histograma. Uma maneira mais eficiênte é considerar a seguinte estimativa (Rao-Blackwell) ˆπ(θ i ) = 1 n n j=1 π(θ (j) i θ i )
4 Construção e uso da amostra MCCM Exemplo 1: Normal bivariada (θ 1,θ 2 ) N 2 (µ,σ). Utilizando-se a propriedade de que as distribuições condicionais são também normal, podemos implementar um algoritmo GS simulando de tais distribuições. O próximo gráfico ilustra a trajetória dos primeiros 5 pontos de cadeia, considerando uma correlação de 0.97 entre θ 1 e θ 2. Como as variáveis são altamente correlacionadas o algoritmo irá percorrer lentamente o espaço paramétrico. Uma alternativa para melhorar o desempenho é trabalhar com reparametrizações (transformações de variáveis)
5 Trajetórias do GS de uma normal bivariada
6 Melhorando o desempenho dos algoritmos MCCM 1. Reparametrização A escolha de uma parametrização adequado pode ser muito útil para aumentar a eficiência do algoritmo. Se o vetor de parâmetros for altamente correlacionado o algoritmo deve demorar para percorrer todo espaço paramétrico. Exemplo 2: Modelo simples de efeito aleatório. y ij = µ+α i +ɛ ij, ɛ ij N(0,σ 2 ) ind. µ média geral, n i é o tamanho da amostra do i-ésimo grupo, α i efeito aleatório associado ao i-ésimo grupo, α i N(0,τ 2 ), com j = 1,...,n i e i = 1,...,m. Usando uma distribuição a priori imprópria π(µ) C e supondo conhecidas σ 2 e τ 2 obtemos os seguintes valores para as correlações a posteriori entre os parâmetros
7 Melhorando o desempenho dos algoritmos MCCM ( ) 1/2 ( ) 1 Cor(µ,α i ) = 1+ σ2 /n i τ 2 e Cor(α i,α j ) = 1+ σ2 /n i /m τ 2 /m Reparametrização proposta: β i = µ+α i. Os novos valores de correlação a posteriori são ) 1/2 ) 1 Cor(µ,β i ) = (1+ mτ2 σ 2 e Cor(β i,β j ) = (1+ mτ2 /n i σ 2 /n i Se σ 2 /n i é muito menor que τ 2 /m essas correlações serão menores que as obtidas anteriormente (ver Gelfand, Sahu e Carlin, 1995).
8 Melhorando o desempenho dos algoritmos MCCM 2. Uso de blocos No algoritmo GS usualmente simulamos de distribuições condicionais completas unidimensionais π(θ i θ i ), i = 1,...,d. Alternativamente, podemos considerar grupos de parâmetros e particionar o vetor paramétrico em θ = (α 1,...,α k ) em que α j são vetores com alguns componentes θ, denominados blocos. O propósito deste procedimento é obter uma correlação menor entre os blocos do que entre os parâmetros originais θ i s.
9 Diagnósticos de Convergência 1. Análise gráfica Usualmente são analisados os gráficos das médias ergódicas, da(s) trajetória(s) da(s) cadeia(s) e das autocorrelações. É aconselhável o uso de um pequeno número de cadeias paralelas com diferentes pontos iniciais para verificar a convergência da média ergódica. Exemplo de gráficos das médias ergódicas:
10 Diagnósticos de Convergência Exemplo de gráficos de trajetórias das cadeias:
11 Diagnósticos de Convergência Exemplo de trajetória de cadeia M-H com baixa taxa de aceitação:
12 Diagnósticos de Convergência Exemplo comparativo de diversas proposta no M-H:
13 Diagnósticos de Convergência Exemplo de gráficos de autocorrelações:
14 Diagnósticos de Convergência 2. A estatística Z de Geweke. Geweke(1992) propõe uma análise baseado em séries temporais, considerando que t (1),...,t (n+m) definem uma série temporal. Após um período de aquecimento (m), a série é dividida em duas amostras. Uma no inicio de tamanho n b e outra no final de tamanho n a. Para cada uma dessas amostras é obtida a média amostral, t b e t a, respectivamente. A estatística é dada por Z G = t a t b Var( t ˆ a )+ Var( t ˆ b ) Z G converge para uma distribuição Normal padrão.
15 Diagnósticos de Convergência Valores grandes de Z G indicam discordância entre as amostras iniciais e finais da cadeia, indicando a falta de convergência. Os valores de variância são estimados usando densidade espectral. Sugestão para tamanho das amostras: n b = 0.1n e n a = 0.5n. 2. A estatística R de Gelman e Rubin. Considera m cadeias paralelas e utiliza idéias de análise de variância. Relaciona as variâncias entre (B) e dentro (W) das cadeias, dadas por: B = n m 1 n ( t i t) 2 e i=1 1 m(n 1) m n i=1 j=1 (t (j) i t i ) 2 onde t i é a média das observações da i-ésma cadeia e t é a média geral.
16 Diagnósticos de Convergência A variância a posteriori pode ser consistentemente estimada por ˆσ 2 = (1 1/n)W +(1/n)B. Após a convergência a variabilidade entre cadeias deve ser pequena, portanto a variância W deverá estar próxima de ˆσ 2. A estatística é dada por ˆσ 2 R = W. Valores próximos de 1 indicam convergência.
17 Software BUGS (Bayesian Using Gibbs Sampling) : Ver WinBUGS for the beginners: YouTube. Package R2WinBUGS para R. MCMC package do R Diagnóstico de convergência no R: Package BOA e CODA. JAGS (Just Another Gibbs Sampler) :
Influencia 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 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 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 maisAnálise 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
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 maisAnálise Bayesiana de Dados - Aplicações 1 -
Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica
Leia mais4 Conceitos Básicos de Estatística Bayesiana e Simulação Estocástica
4 Conceitos Básicos de Estatística Bayesiana e Simulação Estocástica 4. Elementos de inferência Bayesiana Gamerman [34] define que tanto o modelo Bayesiano quanto o freqüentista trabalham na presença de
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 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 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 Inferência com dimensão variável Modelos com
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
INFERÊNCIA BAYESIANA VIA SIMULAÇÃO ESTOCÁSTICA COM IMPLEMENTAÇÃO NO PROGRAMA WINBUGS Néli Maria Costa Mattos, D.C. Instituto Militar de Engenharia (IME) Pça Gen Tibúrcio 80 Urca Rio de Janeiro RJ CEP 22290-270
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Análise Estatística. Análise Estatística Motivação: Fila de 1 servidor. Clientes chegam em um banco (sistema)
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 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 maisCapítulo 4. Métodos Aproximados. 4.1 Computação Bayesiana. 4.2 Uma Palavra de Cautela
Capítulo 4 Métodos Aproximados 4.1 Computação Bayesiana Existem várias formas de resumir a informação descrita na distribuição a posteriori. Esta etapa frequentemente envolve a avaliação de probabilidades
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 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 maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisUniversidade de Brasília Instituto de Ciências Exatas Departamento de Estatística. Estágio supervisionado 2
Universidade de Brasília Instituto de Ciências Exatas Departamento de Estatística Estágio supervisionado 2 Inferência Bayesiana na análise de dados de experimentos planejados por Rafael Moraes Gazzinelli
Leia maisANÁLISE CLÁSSICA E BAYESIANA PARA MODELOS DE EQUAÇÕES SIMULTÂNEAS
ANÁLISE CLÁSSICA E BAYESIANA PARA MODELOS DE EQUAÇÕES SIMULTÂNEAS Josimar VASCONCELOS 1 Eufrázio de Souza SANTOS 2 Moacyr CUNHA FILHO 2 RESUMO: O presente artigo busca uma nova modelagem para o método
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 maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisUso do WinBugs/OpenBugs
Uso do WinBugs/OpenBugs Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Junho, 2012 Preliminares O WinBugs e OpenBugs são softwares livres que permitem simular
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 maisRegressão Beta Multivariada com
Universidade Federal do Rio de Janeiro Instituto de Matemática Regressão Beta Multivariada com Aplicações em Pequenas Áreas Debora Ferreira de Souza Rio de Janeiro 2011 Regressão Beta Multivariada com
Leia maisMétodos Computacionais para inferência estatística
Métodos Computacionais para inferência estatística Wagner Hugo Bonat LEG: Laboratório de Estatística e Geoinformação Universidade Federal do Paraná 30 de julho de 2012 Bonat et. al (LEG/UFPR) MCIE 30 de
Leia maisModelo Bayesiano Para Análise de Vazios Urbanos. Humberto Emmanuel Schmidt Oliveira Aparecida D. P. Souza Nilton Nobuhiro Imai FCT/UNESP
Modelo Bayesiano Para Análise de Vazios Urbanos Humberto Emmanuel Schmidt Oliveira Aparecida D. P. Souza Nilton Nobuhiro Imai FCT/UNESP O Problema Planejamento Urbano Municipal (breve histórico) - Plano
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 maisAmostrador de Gibbs Híbrido com aplicação em Dados de Captura e Recapura
UNIVERSIDADE FEDERAL DE MINAS GERAIS PROGRAMA DE PÓS-GRADUAÇÃO EM ESTATÍSTICA Amostrador de Gibbs Híbrido com aplicação em Dados de Captura e Recapura Isabela de Lima Severino e Marina Alves Amorim Novembro
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
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 maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
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 maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado
Leia maisModelos 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
Leia maisANÁLISE BAYESIANA PARA MODELOS DE EQUAÇÕES ESTRUTURAIS
ANÁLISE BAYESIANA PARA MODELOS DE EQUAÇÕES ESTRUTURAIS Jorge Alberto ACHCAR RESUMO: Neste artigo introduzimos uma análise Bayesiana para modelos de equações estruturais usando métodos Monte Carlo em Cadeias
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 maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
Leia maisAnálise Dialélica de Linhagens de Milho com Enfoque Bayesiano
XXIX CONGRESSO NACIONAL DE MILHO E SORGO - Águas de Lindóia - 26 a 30 de Agosto de 2012 Análise Dialélica de Linhagens de Milho com Enfoque Bayesiano Marlon Mathias Dacal Coan 1, Lucas Rafael de Souza
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 maisAutomatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST
Universidade de Brasília IE Departamento de Estatística Automatização da criação de regiões de credibilidade HPD e do Teste de Significância Genuinamente Bayesiano FBST Lucas Barbosa Cusinato Rodrigues
Leia maisUm teste bayesiano para o coeficiente de correlação intraclasse. Julio M Singer
Um teste bayesiano para o coeficiente de correlação intraclasse Julio M Singer em colaboração com González-López, V.A., Tanaka, N.I. e Lima, A.C.P. Departamento de Estatística Universidade de São Paulo
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisIntrodução à Bioestatística Turma Nutrição
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 8: Intervalos de Confiança para Média e Proporção Distribuição
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 maisGabarito - Lista 5 - Questões de Revisão
Gabarito - Lista 5 - Questões de Revisão Monitores: Camila Steffens e Matheus Rosso Parte I - Teoria assintótica 1. Enuncie a lei dos grandes números e o teorema central do limite. A LGN em sua expressão
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 maisInferência estatística
Inferência estatística Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Inferência estatística Obtenção de conclusões sobre propriedades da população a partir das propriedades de uma amostra aleatória
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 mais1) Considere Y N(1, 1) e X Y = y N(y, 4). A quantidade de interesse é θ = P (X > 1).
1 Considere Y N1, 1 e X Y y Ny, 4. A quantidade de interesse é θ P X > 1. a Explique como obter uma estimativa de θ via simulação. Solução: Uma maneira simples de obter uma estimativa de θ é simulando
Leia maisTEORIA DA RESPOSTA AO ITEM (TRI): ESTIMAÇÃO BAYESIANA DA HABILIDADE DE INDIVÍDUOS
TEORIA DA RESPOSTA AO ITEM (TRI): ESTIMAÇÃO BAYESIANA DA HABILIDADE DE INDIVÍDUOS DÉBORA SPENASSATO 1, PAUL GERHARD KINAS 2 Resumo Este artigo tem por objetivo apresentar uma simulação da estimativa dos
Leia maisUMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES
UMA ABORDAGEM BAYESIANA PARA ANÁLISE DE DADOS INTERVALARES Ana Cláudia Oliveira de MELO Ronei Marcos de MORAES Marinho Gomes de ANDRADE FILHO RESUMO: Neste trabalho é abordado o problema de avaliação da
Leia maisANÁLISE ESTATÍSTICA DE DADOS COMPOSICIONAIS LONGITUDINAIS
ANÁLISE ESTATÍSTICA DE DADOS COMPOSICIONAIS LONGITUDINAIS Taciana Kisaki Oliveira SHIMIZU 1 Jorge Alberto ACHCAR 2 Mário Hissamitsu TARUMOTO 1 RESUMO: Neste artigo, introduzimos uma análise Bayesiana para
Leia maisAn adaptive Metropolis algorithm
An adaptive Metropolis algorithm 4 de outubro de 2018 Autores: Heikki Haario, Eero Saksman and Johanna Tamminen Apresentação: Luiza Sette C. Piancastelli, Thaís Pacheco Menezes Disciplina: Métodos Computacionais
Leia maisSimulação com Modelos Teóricos de Probabilidade
Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.
Leia maisRicardo Sandes Ehlers
SELEÇÃO BAYESIANA DE MODELOS Ricardo Sandes Ehlers Departamento de Estatística Universidade Federal do Paraná http://www.est.ufpr.br/ ehlers ehlers@est.ufpr.br RBRAS/SEABRO, Julho 2005 Alguns Exemplos
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 maisMÉTODOS DE ESTIMAÇÃO PARA RISCOS COMPETITIVOS
UNIVERSIDADE FEDERAL DE SÃO CARLOS- DEPARTAMENTO DE ESTATÍSTICA MÉTODOS DE ESTIMAÇÃO PARA RISCOS COMPETITIVOS Agatha S. Rodrigues UFSCar - DEs UNIVERSIDADE FEDERAL DE SÃO CARLOS- DEPARTAMENTO DE ESTATÍSTICA
Leia maisThiago Feitosa Campos
Aplicações do Approximate Bayesian Computation a controle de qualidade Thiago Feitosa Campos Tese apresentada ao Instituto de Matemática e Estatística da Universidade de São Paulo para obtenção do título
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 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 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 maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisDeterminação do tamanho amostral: uma abordagem genuinamente Bayesiana
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, 66610-190,
Leia maisBernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2
Uma Introdução à Otimização sob Incerteza Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento de Matemática
Leia maisUniversidade Federal do Rio de Janeiro SOBREVIVÊNCIA COM FRAGILIDADE ESPACIAL. Leonardo Soares Bastos
Universidade Federal do Rio de Janeiro MODELOS DINÂMICOS E ESTATÍCOS DE SOBREVIVÊNCIA COM FRAGILIDADE ESPACIAL Leonardo Soares Bastos 2003 UFRJ Modelos Dinâmicos e Estáticos de Sobrevivência com Fragilidade
Leia maisAnálise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica
1/41 Análise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Revisão para Dados Transversais 1 Características Informações amostrais
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 maisUMA ANÁLISE BAYESIANA PARA DADOS LONGITUDINAIS DE POISSON
UMA ANÁLISE BAYESIANA PARA DADOS LONGITUDINAIS DE POISSON Emílio Augusto Coelho BARROS 1 Jorge Alberto ACHCAR 1 Edson Zangiacomi MARTINEZ 1 Davi Casale ARAGON 1 Eloisa Moralles do PINHO 1 Simone Saldanha
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 maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisModelos com Coeficientes Dinâmicos Variando no Espaço para Dados da Família Exponencial
Modelos com Coeficientes Dinâmicos Variando no Espaço para Dados da Família Exponencial por Nícia Custódio Hansen DME - IM - UFRJ 2009 Modelos com Coeficientes Dinâmicos Variando no Espaço para Dados da
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisUMA ANÁLISE BAYESIANA PARA DADOS DE CONTAGEM LONGITUDINAIS NA PRESENÇA DE UMA COVARIÁVEL COM EFEITO ESPAÇO-TEMPORAL
UMA ANÁLISE BAYESIANA PARA DADOS DE CONTAGEM LONGITUDINAIS NA PRESENÇA DE UMA COVARIÁVEL COM EFEITO ESPAÇO-TEMPORAL Helton Graziadei de CARVALHO 1 Jorge Alberto ACHCAR 2 RESUMO: Neste artigo desenvolvemos
Leia maisModelos 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
Leia maisA Bayesian Reassessment of Nearest-Neighbor Classification (2009)
A Bayesian Reassessment of Nearest-Neighbor Classification (2009) Cucala, Marin, Robert e Titterington André Yoshizumi Gomes (IME/USP) Seminário ministrado no Insper 5 de fevereiro de 2016 O método knn
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 7: Intervalos de Confiança 13 de novembro de 2012 1 2 3 4 Percentil 100p%-percentil O ponto t 0 tal que t 0 = F 1 X (p) = min{t : F X (t) p}, 0 < p < 1 é
Leia mais5. 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
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisESTATÍSTICA. Lucas Santana da Cunha 18 de setembro de Universidade Estadual de Londrina
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 18 de setembro de 2017 Introdução Estatística Descritiva: Preocupa-se com
Leia maisBOOTSTRAP. - APLICAÇÃO DO MB: podem ser aplicados quando existe, ou não, um modelo probabilístico bem definido para os dados.
OOTSTRAP INTRODUÇÃO - IDEIA ÁSICA: reamostrar de um conjunto de dados, diretamente ou via um modelo ajustado, a fim de criar replicas dos dados, a partir das quais podemos avaliar a variabilidade de quantidades
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 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 maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisAnálise de Sensibilidade em Modelo Gaussiano Assimétrico Espacialmente Referenciado
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO DE MATEMÁTICA RAQUEL VAZ GUEDES PEREIRA Análise de Sensibilidade em Modelo Gaussiano Assimétrico Espacialmente Referenciado Prof a. Alexandra Mello Schmidt,
Leia maisPlanejamento de Experimentos Experimento com um fator aleatório
1 / 12 Planejamento de Experimentos Experimento com um fator aleatório Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 12 Modelo Estatístico para Efeitos Fixos Y ij = µ + τ i + ɛ ij em que
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS
1 1) Seja X uma variável aleatória com função de densidade dada por: Pede-se: f (x) = e 2 1 (, )(x) 1.1) Qual a distribuição da variável aleatória Y = X? 1.2) Encontre o valor esperado da variável Y. 2
Leia mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Leia maisMonte Carlo Hamiltoniano e Stan
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Monte Carlo Hamiltoniano e Stan Ian Meneghel Danilevicz Walmir dos Reis Miranda Filho Belo Horizonte, 2018 Sumário 1 Introdução 2 Dinâmica
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 mais, logo, para se obter uma boa precisão seria necessário aumentar, e muito, o número de
2. Simulação de Monte Carlo A Simulação de Monte Carlo (SMC) é um método numérico que utiliza um gerador de números aleatórios para simular possíveis valores da variável de interesse e assim obter a estimativa
Leia maisAmostra 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 =
Leia maisAnálise Bayesiana de Dados Composicionais na Presença de Covariáveis
UNIVERSIDADE ESTADUAL PAULISTA Faculdade de Ciências e Tecnologia de Presidente Prudente Programa de Pós-Graduação em Matemática Aplicada e Computacional Análise Bayesiana de Dados Composicionais na Presença
Leia maisAbordagem bayesiana na comparação de substratos em mudas de cupuaçuzeiro
ISSN: 2317-0840 Abordagem bayesiana na comparação de substratos em mudas de cupuaçuzeiro Vinicius S. dos Santos 1, Sebastião Martins Filho 1, Rafael M. Alves 2, Gerlane de F. Melo 3 1 Universidade Federal
Leia mais