AGA Análise de Dados em Astronomia I. 6. O Método da Máxima Verossimilhança- I
|
|
- Eliana Espírito Santo
- 4 Há anos
- Visualizações:
Transcrição
1 1 / Introdução AGA Análise de Dados em Astronomia I 6. O Método da Máxima Verossimilhança- I Laerte Sodré Jr. 1o. semestre, 2019
2 introdução aula de hoje: 1 modelagem dos dados 2 a verossimilhança 3 inferência de parâmetros pelo método da máxima verossimilhança 4 exemplo: combinação de medidas 5 exemplo: distribuição gaussiana 6 exemplo: distribuição binomial 7 exemplo: distribuição poissoniana 8 exemplo: função com erros gaussianos 9 otimização de funções 10 erro nos parâmetros 11 propagação de erros 12 métodos de reamostragem: bootstrap Essencialmente todos os modelos estão errados, mas alguns são úteis George Box 2 / 26
3 modelagem dos dados modelagem dos dados dado um conjunto de dados, D, queremos ajustar um modelo M que depende de um certo número de parâmetros ajustáveis, w exemplo: ajuste aos dados de uma função y = f (x; w) modelos podem ser de natureza muito diversa: funções simples para as quais o ajuste fornece w ex.: ajuste de polinômios, gaussiana,... funções teóricas onde conhecemos os parâmetros e queremos ver se eles ajustam os dados ex.: a função de massa de aglomerados de galáxias com o modelo ΛCDM funções muito complexas para as quais o ajuste fornece w mas w não nos interessa: deep learning... 3 / 26
4 4 / 26 modelagem dos dados modelagem dos dados dados geralmente tem erros dois tipos de erros: aleatórios e sistemáticos suponha que você meça n vezes a distância entre dois pontos com uma régua esperamos que a média e o desvio padrão dessas medidas sejam uma boa estimativa da distância entre os dois pontos e do erro da medida mas e se você descobre que a escala da régua que você estava usando era 10% maior que o padrão? Como isso afeta seus resultados? erros intrínsecos ao processo de medida decrescem com n 1/2 e são em geral aleatórios erros sistemáticos são introduzidos por processos que muitas vezes não se controla (ruído indesejado em um detector, problemas na sensibilidade dos filtros, estrelas de calibração erradas... ): o desafio é identificá-los e corrigi-los (modelá-los) erros homocedásticos: todas as medidas têm o mesmo erro erros heterocedásticos: as medidas têm erros diferentes
5 a verossimilhança modelagem dos dados dado um conjunto de dados, D, queremos ajustar um modelo M que depende de um certo número de parâmetros ajustáveis, w métodos frequentistas- 3 instâncias: estimativa de parâmetros: qual é a melhor estimativa para o parâmetro w de um modelo com base nos dados disponíveis? intervalo de confiança: quão confiante podemos estar no valor estimado do parâmetro? testes de hipótese: os dados são consistentes com a hipótese ou modelo? verossimilhança dos dados: probabilidade dos dados para um certo valor dos parâmetros do modelo: L(w) = P(D w, M) a verossimilhança pode ser considerada tanto uma função dos parâmetros quanto dos dados NÃO É uma função de distribuição de probabilidades: não é normalizada método da máxima verossimilhança: os parâmetros são estimados maximizando-se L(w) 5 / 26
6 6 / 26 a verossimilhança modelagem dos dados verossimilhança: L(w) = P(D w, M) método da máxima verossimilhança: os parâmetros são estimados maximizando-se L(w), ou a probabilidade dos dados em relação aos parâmetros do modelo procedimento proposto por R. A. Fisher em 1912 maximização de L(w): dl(w) d 2 L(w) = 0, dw dw 2 < 0 MV MV frequentemente trabalha-se com log L como veremos, log L χ2 2
7 7 / 26 exemplos simples exemplo: combinando medidas suponha que tenhamos duas medidas independentes de uma quantidade x com erros heterocedásticos (sigmas diferentes): x = x A ± σ A x = x B ± σ B como combinar as medidas A e B para se obter uma melhor estimativa de x? alerta: note que se x A x B for muito maior que os desvios padrão, os dados podem estar sendo afetados por erros de outra natureza (dados inconsistentes) vamos resolver este problema pelo método da Máxima Verossimilhança: vamos supor que as duas medidas são extraídas de distribuições gaussianas onde o valor verdadeiro da quantidade medida é µ: [ ] [ ] P(x A µ, σ A ) 1 exp (x A µ) 2 σ A 2σA 2 P(x B µ, σ B ) 1 exp (x B µ) 2 σ B 2σB 2
8 8 / 26 exemplos simples exemplo: combinando medidas probabilidade conjunta de x A e x B : L(µ) = P(x A, x B µ, σ A, σ B ) = P(x A µ, σ A )P(x ( B µ, ) σ B ) 1 σ A σ B exp onde χ 2 (µ) = ( χ2 2 x A µ σ A ) 2 + ( x B µ σ B ) 2 ˆx: estimativa de µ que maximiza a verossimilhança (ou que minimiza o χ 2 ) é fácil ver que ˆx = x A σ A 2 1 σ A 2 + x B σ 2 B + 1 σ 2 B = w Ax A +w B x B w A +w B, onde w A = 1/σ 2 A e w B = 1/σ 2 B a melhor estimativa é a média ponderada das medidas, onde os pesos dependem do inverso das variâncias se os erros são iguais, ˆx é a média das medidas
9 9 / 26 exemplos simples exemplo: distribuição gaussiana exemplo: temos um conjunto de medidas de uma certa variável, x, D = {x 1, x 2,..., x n }, distribuídas como uma gaussiana com erros homocedásticos (mesmo sigma) N(µ, σ): parâmetros: w = (µ, σ) função verossimilhança: ou L(µ, σ) = P(D µ, σ) = ( n 1 = exp (x i ) µ)2 2πσ 2σ 2 L(µ, σ) exp ( ) χ2 (µ, σ) 2 onde χ 2 (µ, σ) = n (x i µ) 2 χ 2 é função apenas dos parâmetros daí, maximizando L ou minimizando o χ 2 : σ 2 µ MV = x = 1 n x i n σ 2 MV = 1 n (x i x) 2 n
10 10 / 26 exemplos simples exemplo: distribuição gaussiana população: média µ e variância σ 2 amostra {x i }: média x e variância s 2 n x = 1 n x i n s 2 n = 1 n (x i x) 2 n σ 2 = 1 n (x i µ) 2 n a variância da amostra está associada à soma dos quadrados dos resíduos x i x: como a soma dos resíduos soma zero, temos apenas n 1 resíduos independentes s 2 n é um estimador viesado de σ 2 : [ ] E(s 2 1 n n ) = E (x i x) 2 = n [ ( ) 1 n 2 ] = E (x i µ) ( x µ) = n =... = n 1 σ 2 n o estimador não-viesado da variância de uma amostra é: s 2 = 1 n 1 n (x i x) 2 em geral deve-se sempre usar s
11 11 / 26 exemplos simples exemplo: distribuição binomial exemplo: joga-se uma moeda n = 5 vezes e obtém-se T=4 caras e H=1 coroas a verossimilhança é dada pela distribuição binomial com parâmetro w, a probabilidade de se obter uma coroa: ( ) n L(w) = w H (1 w) n H H estimativa de MV de w: d ln L(w) dw = [ = d ( ) ] n ln +H ln w+(n H) ln(1 w) = dw H ou = H w n H 1 w = 0 w MV = H n a estimativa de MV de w é a fração observada de coroas, o que é intuitivo
12 12 / 26 exemplos simples exemplo: distribuição de Poisson exemplo: estimativa da taxa de um processo poissonianoobservamos n eventos durante um intervalo de tempo t L(w) = P(n, t w) = (wt)n n! estimativa de MV de w: d ln L(w) dw = exp( wt) ou [ ] = d n ln(wt) ln n! wt = dw nt wt t = 0 w MV = n t a estimativa de MV de w é a taxa média de eventos
13 13 / 26 exemplos simples exemplo: modelagem de uma função com erros gaussianos n dados D = {x i, y i } com erros σ i que queremos modelar com uma função com m parâmetros w: y = f (x; w) w: vetor de m parâmetros assumindo que as medidas são independentes e os erros gaussianos, n L(w) = P(D w) = P(D i w) [ ] n exp 1 (y i f (x i, w)) 2 2 σ 2 i [ exp 1 2 ] n (y i f (x i, w)) 2 [ ] logo, L(w) exp 1 2 χ2 (w) onde σ 2 i ] n χ 2 (y (w) = i f (x i, w)) 2 σ 2 i
14 14 / 26 exemplos simples exemplo: modelagem de uma função com erros gaussianos solução de MV: minimização do χ 2 (w) n χ 2 (y = i f (x i ; w)) 2 função de m parâmetros w MV pode em alguns casos ser obtido analiticamente ou, na maioria dos casos, numericamente σ 2 i algumas vezes não se conhece de antemão os erros nas medidas; se eles forem iguais podem ser estimados minimizando-se o χ 2 com σ constante e depois recalculando-o como n σ 2 = (y i f (x i ; w MV )) 2 n m
15 otimização de funções máxima verossimilhança como otimização de funções solução de MV: vetor de m parâmetros w que maximiza a verossimilhança ou que minimiza o exemplo: minimização de funções descendo o gradiente procedimento iterativo: χ 2 (w) = [ ] n (y i f (x i, w)) 2 σ 2 i w n+1 = w n γ χ 2 (w) (0 < γ < 1) em geral os parâmetros que minimizam o χ 2 (w) devem ser obtidos numericamente - otimização de funções 15 / 26
16 16 / 26 otimização de funções otimização de funções máximo e mínimo de funções: problemas de otimização Press, Teukolsky, Vetterling & Flannery, Numerical Recipes, 3a. edição, (2007), cap. 10 mínimos: locais global: no caso geral difícil de se achar métodos: com e sem cálculos de derivadas/gradientes custo computacional: memória e tempo de processamento recomendações do NR: minimização unidimensional: isolar o mínimo + Brent ou golden search (método robusto) caso multidimensional: simplex (sem derivadas), quasi-newton
17 incertezas nos parâmetros erro nos parâmetros vamos considerar a função de verossimilhança de um parâmetro, L(w) expandindo em série de Taylor em torno do máximo: d ln L(w) ln L(w) = ln L(w MV ) + (w w dw MV ) + 1 d 2 ln L(w) 2 dw 2 (w w MV ) MV MV como o segundo termo se anula na vizinhança de w MV, [ ] L(w) L(w MV ) exp (w w MV) 2 2σw onde 1 σ 2 w = d2 ln L(w) dw 2 a verossimilhança em torno do máximo pode ser aproximada por uma gaussiana de largura σ w 17 / 26 MV
18 18 / 26 incertezas nos parâmetros erro nos parâmetros no caso de vários parâmetros w = {w 1, w 2,..., w m }, L em torno do máximo pode ser aproximada por uma gaussiana multivariada: [ ] L(w) L(w MV ) exp 1 2 (w w MV)C 1 (w w MV )T C: matriz de variância-covariância (m m) hessiano H: matriz com as derivadas segundas de L matriz de informação de Fisher: negativo do valor esperado do hessiano no máximo: I jk = E(H jk ) MV = 2 ln L(w) w j w k MV +... C = I 1 (inverso da matriz de informacao) erros nos parâmetros: σ 2 j = C jj
19 19 / 26 incertezas nos parâmetros erro nos parâmetros note que nem sempre σ w é uma boa forma de representar as incertezas em um ajuste: elipses de erro (em duas dimensões) podem ser mais informativas
20 incertezas nos parâmetros elipses de erro nos parâmetros modelos com 2 parâmetros (Coe, arxiv: ) [ ] C = I 1 σ 2 = 11 σ 12 σ 21 σ22 2 onde σ 12 = σ 21 = ρσ 11 σ 22 ρ: coeficiente de correlação elipses: semi-eixos a e b, inclinação θ: a 2 = σ σ b 2 = σ σ (σ 2 11 σ2 22 )2 4 (σ 2 11 σ2 22 )2 4 + σ σ σ 12 tg(2θ) = σ 11 2 σ2 22 multiplicamos a e b por um fator α, que depende do nível de confiança α desejado 20 / 26
21 incertezas nos parâmetros elipses de erro nos parâmetros forma do χ 2 : [ χ 2 (w 1, w 2 ) = 1 (w 1 ŵ 1 ) 2 1 ρ 2 + σ (w 2 ŵ 2 ) 2 σ 2 22 ] 2ρ (w 1 ŵ 1 ) (w 2 ŵ 2 ) σ 11 σ 22 para ρ = 0 temos a fórmula usual, enquanto que para x e y correlacionados, o χ 2 fica menor 21 / 26
22 22 / 26 propagação de erros: incertezas nos parâmetros vamos supor que temos uma quantidade f que é função de ao menos duas variáveis, x 1 e x 2 : f = f (x 1, x 2,...) se medimos x 1 e x 2, como o erro nessas variáveis, σ x1 e σ x2, afeta f, supondo que as medidas e seus erros são independentes? considerando pequenos desvios δ em torno do ponto (x 1, x 2,...), expandindo f em série de Taylor e retendo apenas os termos de primeira ordem da expansão: ( ) ( ) f f δf = δ x1 + δ x x 1 x 2 x 1 x 2 como a variância de uma soma é a soma das variâncias: ( ) 2 ( ) 2 ( ) ( ) σf 2 f = σx 2 f x 1 + σ 2 f f x 1 x ρσ x1 σ x x 1 x 2 x 1 x 2 x 2 x 1
23 incertezas nos parâmetros propagação de erros Exemplo: relação entre fluxo e magnitude como os erros em m e F se relacionam? ( m = const. 2.5 log F σ 2 m = m F ) 2 σ 2 F ou razão sinal ruído: σ m = ( ) 2.5 σ F ln 10 F σ F F F σ F 1 σ m 23 / 26
24 24 / 26 métodos de reamostragem limites de confiança nos parâmetros do modelo por bootstrap suponha que a Mãe Natureza saiba que os parâmetros verdadeiros de um modelo sejam w v suponha que os dados observados, representados por D 0, sejam uma realização estatística do modelo verdadeiro e que w 0 sejam os parâmetros obtidos a partir desses dados por minimização do χ 2 devido aos erros de medida, D 0 não é a única realização estatística do modelo: outros conjuntos de dados são possíveis, D 1,D 2,..., correspondendo a diferentes valores dos parâmetros, w 1, w 2,... não sabemos a distribuição de w v, mas temos uma maneira de encontrar a distribuição de w i w v : simulações de Monte Carlo dos dados D i
25 25 / 26 métodos de reamostragem limites de confiança nos parâmetros do modelo por bootstrap mágica! reamostragem dos dados por bootstrap (Efron, 1979) técnica válida para dados iid (independentes e identicamente distribuídos) ideia básica do bootstrap: seja D 0 o conjunto de dados um novo conjunto de dados D i pode ser simulado reamostrando D 0 com substituição (isto é, pode ter dado repetido) w i é estimado para cada D i minimizando o χ 2 (ou outra função de mérito) as distribuições dos parâmetros w i obtidos em muitas simulações permitem estimar vários limites de confiança para os parâmetros individuais ou curvas de confiança para pares de parâmetros a técnica se aplica mesmo quando os erros nas medidas são não-gaussianos outra técnica de reamostragem: jackknife
26 métodos de reamostragem exercícios 1 Suponha que tenhamos um conjunto de variáveis {x i }, i = 1,..., n, que queremos modelar com uma distribuição de densidade de probabilidades dada por ( ) P(x σ) = 1 2σ exp x. σ Estime σ pelo método da máxima verossimilhança. 2 Às vezes se modela a distribuição de redshifts em um certo intervalo de magnitudes como uma distribuição Gama: P(z α, β) = 1 Γ(α) βα z α 1 e βz. Dada uma amostra de redshifts, {z i }, estime β pelo método da máxima verossimilhança, supondo α conhecido. 3 Suponha que você tenha um conjunto de medidas da distância de uma estrela (em pc): 7.5, 11.8, 9.5, 11.1, 10.6, 11.8, 8.8, 9.7, 12.4, 13.6, 10.2,12.9, 10.8, 8.9, Estime por bootstrap a probabilidade desta distância ser maior que 11 pc. 26 / 26
AGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisO método dos mínimos quadrados: análise de regressão
O métodos dos mínimos quadrados é um método famoso para lidar com dados ruidosos. Sua justificativa segue diretamente do método da máxima verossimilhança. Para Y i dados medidos en valores das variável
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 maisAGA Análise de Dados em Astronomia I. 5. Testes de Hipótese
1 / 26 AGA 0505- Análise de Dados em Astronomia I 5. Testes de Hipótese Laerte Sodré Jr. 1o. semestre, 2019 2 / 26 aula de hoje: 1 testes de hipóteses: procedimento básico 2 o valor p 3 erros nos testes
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 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 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 maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 20 AGA 0505- Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2018 2 / 20 tópicos 1 probabilidades - cont. 2 distribuições de probabilidades 1 binomial 2 Poisson 3
Leia maisAnálise de Dados em Astronomia. 3. Distribuições de Probabilidades
1 / 24 3. Distribuições de Probabilidades Análise de Dados em Astronomia 3. Distribuições de Probabilidades Laerte Sodré Jr. AGA0505, 1o. semestre 2019 introdução aula de hoje 1 2 a distribuição uniforme
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 maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
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 maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
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 maisAGA Análise de Dados em Astronomia I. 1. Introdução
1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
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 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 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 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 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 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 maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
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 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 maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisFísica Geral - Laboratório. Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação
Física Geral - Laboratório Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação 1 Resumo: estimativa do valor esperado estimativa do valor esperado ± erro (unidade)
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisTratamento Estatístico de dados em Física Experimental
Tratamento Estatístico de dados em Física Experimental Prof. Zwinglio Guimarães 2 o semestre de 2017 Tópico 6 - Testes estatísticos (Chi-quadrado, z e t ) O método dos mínimos quadrados (revisão) O método
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 maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2019 2 / 26 aula de hoje: 1 o que são 2 distribuições de 3 a distribuição normal ou gaussiana
Leia maisDefinição. 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
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisMétodos Estatísticos em Física Experimental. Prof. Zwinglio Guimarães 1 o semestre de 2015 Aulas 11 e 12
Métodos Estatísticos em Física Experimental Prof. Zwinglio Guimarães 1 o semestre de 015 Aulas 11 e 1 O método dos mínimos quadrados (revisão) O método dos mínimos quadrados consiste em determinar os parâmetros
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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia 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 maisDistribuições Amostrais - Tamanho da Amostra
Distribuições Amostrais - Tamanho da Amostra Prof. Eduardo Bezerra Inferência Estatística 21 de Setembro de 2018 Eduardo Bezerra (CEFET/RJ) Tamanho da Amostra 1 / 10 Motivação Suponha que queremos estimar
Leia maisFísica Geral - Laboratório (2014/1) Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação
Física Geral - Laboratório (2014/1) Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação 1 Resumo: estimativa do valor esperado estimativa do valor esperado ± erro
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 maisSolução dos Exercícios - Capítulos 1 a 3
Capítulo 9 Solução dos Exercícios - Capítulos a 3 9. Capítulo. a Como o valor se refere aos pacientes estudados, e não a todos os pacientes, esse é o valor de uma estatística amostral. b Estatística amostral
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
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 maisLEEC 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
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 maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia 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 maisAnálise de Dados em Astronomia. 4. Simulações de Monte Carlo
1 / 22 Análise de Dados em Astronomia 4. Simulações de Monte Carlo Laerte Sodré Jr. AGA0505, 1o. semestre 2019 2 / 22 introdução aula de hoje: o método de Monte Carlo 1 introdução 2 variáveis aleatórias
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
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 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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia 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 maisMétodos Quantitativos para Ciência da Computação Experimental
Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão
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 maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisFísica Geral - Laboratório 2016/2. Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação
Física Geral - Laboratório 206/2 Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação Resumo aula II: Medidas diretas Resultado = estimativa do valor esperado ±
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 maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
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 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 maisFunção de Verossimilhança
AULA 4: Função de Verossimilhança 1.Verossimilhança Conceitos 2. Função de Verossimilhança 3. Log Verossimilhança Negativa 4. Método da Máxima Verossimilhança 5. Estimadores de Máxima Verossimilhança (MLEs)
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
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 maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisEstimativas e Erros. Propagação de erros e Ajuste de funções
Estimativas e Erros Propagação de erros e Ajuste de funções 1 Algumas referências Estimativas e Erros em Experimentos de Física - Vitor Oguri et al (EdUERJ) Fundamentos da Teoria de Erros - José Henrique
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 maisO teorema de Bayes é uma igualdade simples que vem da afirmação de que prob(a e B) = prob(b e A): prob(a B) prob(b) prob(a)
O teorema de Bayes O teorema de Bayes é uma igualdade simples que vem da afirmação de que prob(a e B) = prob(b e A): prob(b A) = no qual o denominador é a probabilidade total. prob(a B) prob(b), (4) prob(a)
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Qui-quadrado 02/14 1 / 1 Definição 14.1: Uma variável aleatória contínua X tem
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 maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
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 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 maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisRESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 2018
RESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 018 Determinado órgão governamental estimou que a probabilidade p de um ex-condenado voltar a ser condenado por algum crime no prazo de 5 anos, contados a partir
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
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 maisBioestatística e Computação I
Bioestatística e Computação I Distribuição Amostral da Média Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas de M.
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 maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisCaros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
Leia mais1.2 Distribuição normal
4. Distribuição normal CAPÍTULO. INTRODUÇÃO A distribuição normal ou gaussiana é a função de densidade mais amplamente usada em aplicações estatísticas numa grande variedade de áreas. No começo dos desenvolvimentos
Leia maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Leia mais