Verossimilhança e Máxima Verossimilhança 1
|
|
- Arthur Estrela Gama
- 6 Há anos
- Visualizações:
Transcrição
1 1 JOÃO LUÍS F. BATISTA 2 Maio Itrodução Tradicioalmete a iferêcia estatística sobre a média de uma população se apoia o Teorema Cetral do Limite para costruir Itervalos de Cofiaça ou testar hipóteses sobre o valor do parâmetro. Esta abordagem da estatística tradicioal pode ser extedida para iferêcias a respeito de qualquer parâmetro, ão só a média. Da mesma forma que o caso da média populacioal se usa a distribuição t de Studet ou a distribuição Normal Padroizada, o caso de outros parâmetros se utiliza outras distribuições amostrais. Essas distribuições são chamadas amostrais porque represetam o comportameto das estimativas baseado a repetição icotável do processo de amostragem. Na prática cietífica, o etato, sempre se realiza uma úica amostragem, o que resulta em uma úica amostra. Assim, o coceito de distribuição amostral é até certo poto artificial, pois em pesquisa cietífica ão raciociamos em termos de repetições icotáveis de experimetos ou processos de observação. O resultado disto é que o coceito de teste estatístico de hipótese e de itervalo de 1 Material de estudo que acompaha aula sobre o tema 2 Cetro de Métodos Quatitativos ( Departameto de Ciêcias Florestais, Escola Superior de Agricultura Luiz de Queiroz, Uiversidade de São Paulo, Campus Piracicaba.
2 cofiaça são frequetemete mal compreedidos. O desevolvimeto da iferêcia estatística a partir do coceito de verossimilhaça tem sido utilizado como uma alterativa à abordagem estatística frequetista e, segudo algus autores (como por exemplo Royall, 1997), é mais coerete com a prática cietífica. 2 Lei da Verossimilhaça Cosidere uma variável aleatória X, cujo comportameto pode ser explicado por duas hipóteses (hipóteses A e B) que se deseja comparar. Foi realizado um estudo e se obteve uma observação de X, cujo valor foi x. O que as hipótese dizem a respeito dessa observação? A hipótese A implica que X = x seria observado com probabilidade p A (x), equato A hipótese B implica que X = x seria observado com probabilidade p B (x). No processo de ivestigação cietífica, o etato, o que iteressa é a perguta: O que a observação de X = x diz a respeito das hipóteses A e B? A Lei da Verossimilhaça afirma que a observação X = x é uma evidêcia que favorece a hipótese A sobre a hipótese B se e somete se p A (x) > p B (x). Mais aida, a Lei da Verossimilhaça implica que a Razão de Verossimilhaça p A (x) p B (x) mede a força de evidêcia em favor da hipótese A sobre a hipótese B. 2.1 Exemplo de Regeeração Natural Deseja-se saber o úmero médio de plâtulas uma parcela de regeeração em floresta ativa. Para isso se utilizou uma parcela circular de 3 m de raio (28.3 m 2 ). Há duas hipóteses competido: Hipótese A: o úmero médio de plâtulas a parcela é 16 (5700 id/ha); João Luís F. Batista 2
3 Hipótese B: o úmero médio de plâtulas a parcela é 35 (12500 id/ha); Foi medida uma parcela de regeeração e observou-se 24 plâtulas (8470 id/ha). Neste exemplo, a variável aleatória X é o úmero de plâtulas por parcela e a observação tomada foi de X = 24. Faz-se ecessário um modelo (distribuição estatística) para se calcular as probabilidades de se observar X = 24 sob as duas hipóteses. Como se trata de dados de cotagem, a distribuição Poisso é uma cadidata atural. Se a variável aleatória X tem distribuição Poisso, sua fução de desidade é P (X = x) = e µ µ x x! ode µ (o parâmetro) é o úmero médio de plâtulas. Portato as probabilidades de acordo com as hipóteses são: Hipótese A: µ = 16 p A (24) = e ! = Hipótese B: µ = 35 p B (24) = e ! = Logo, a observação X = 24 favorece a hipótese A (µ = 16) sobre a hipótese B (µ = 35). A força de evidêcia em favor de A sobre B é: p A (24) p B (24) = = Ou seja, pode se dizer que a observação X = 24 é evidêcia que a hipótese A é aproximadamete 1.3 vêzes mais verossímil que a hipótese B. 2.2 Fução de Verossimilhaça Existe uma difereça sutil etre probabilidade e verossimilhaça. Note que para se comparar as hipóteses o exemplo acima utilizou-se a fução de desidade da distribuição Poisso: P (X = x) = e µ µ x x! João Luís F. Batista 3
4 ode x é o valor de uma observação da variável aleatória Poisso X e µ é o seu parâmetro. Ao se utilizar essa fução a observação X = x (X = 24) foi dada e, portato, o valor de x é cohecido e fixo. A fução portato ficaria: P (X = 24) = e µ µ 24 Note que essa expressão ão é mais uma fução do valor da observação x, mas uma fução do valor do parâmetro µ, que varia da hipótese A para hipótese B. Quado uma fução de desidade, a observação é fixa e o parâmetro variável ão se tem mais uma fução de desidade e sim uma fução de verossimilhaça. A fução de verossimilhaça idica a verossimilhaça de uma dada hipótese, por exemplo hipótese A (µ = 16), dado que se obteve uma observação X = x (X = 24). Para torar mais claro este coceito se utiliza uma otação diferete para a fução de verossimilhaça: L{ hipótese dados } ou L{A X = x} ou (aida mais curto) L{µ X} No exemplo acima, a expressão matemática está codicioada à observação X = 24 sedo, portato, a própria fução de verossimilhaça: 24! L{µ X = 24} = e µ µ ! A figura 1 apreseta o gráfico dessa fução para valores de µ etre 10 e 50. É importate otar que o valor da observação obtida ifluecia fortemete o comportameto da fução de verossimilhaça, o que pode ser observado a figura Múltiplas Observações Nos exemplos apresetados até agora, tiha-se uma úica observação (X = x), o que é uma situação bastate peculiar pois quado fazemos um estudo tomamos uma série de observações para compor uma amostra. Em geral, a amostra é composta de observações idepedetes. Assumido-se como verdadeira uma certa hipótese A, a probabilidade de se opter uma amostra X (X = {x 1, x 2,..., x }), composta de observações idepedetes de X (x 1, x 2,..., x ), é: P (X A) = P (X = x 1 A) P (X = x 2 A)... P (X = x A) João Luís F. Batista 4
5 Verossimilhaca µ Figura 1: Fução de verossimilhaça da distribuição Poisso, quado se obtem uma observação X = 24. X=10 Verossimilhaca X=24 X=40 X= µ Figura 2: Fuções de verossimilhaça da distribuição Poisso para diferetes valores observados de X. João Luís F. Batista 5
6 Ou seja, a probabilidade de se obter a amostra, dado a hipótese A, é igual ao produto das probabilidades das observações idividuais, dado a hipótese A. Este mesmo pricípio se aplica à verossimilhaça. A fução de verossimilhaça de uma amostra composta de observações idepedetes será o produto das fuções de verossimilhaça das observações idividuais: L{A X } = L{A X = x 1 } L{A X = x 2 }... L{A X = x } L{A X } = L{A X = x i } Exemplo da Regeeração Natural Revisitado Cosidere um exemplo mais realista de um levatameto de regeeração atural ode a amostrada foi composta de 10 parcelas, ode se realizou a cotagem do úmero de plâtulas. Os resultados são apresetados a tabela 1. Note que a amostra com 10 parcelas cotiua a idicar a hipótese A (µ = 16) como mais verossímil, mas com uma margem bem meor. Outro fato que chama ateção é que a verossimilhaça da amostra é um úmero muito pequeo da ordem Tabela 1: Números de plâtulas observados em 10 parcelas de regeeração atural, seguidos dos valores de verossimilhaça calculados segudo a distribuição de Poisso. PARCELA NO. DE PLÂNTULAS VEROSSIMILHANÇA (i) (X = x i ) (µ = 16) (µ = 35) João Luís F. Batista 6
7 de Como a verossimilhaça da amostra é o produto da verossimilhaça das observações, ela rapidamete se aproxima do zero quado o tamaho da amostra cresce. 2.4 Log-Verossimilhaça Negativa Para torar mais fácil a maipulação matemática da verossimilhaça se utiliza a fução de log-verossimilhaça egativa, que cosistem aplicar a fução logaritmo, geralmete logaritmo atural ou eperiao, e trasformar o sial: L{µ X} = log [ L{µ X} ]. Como o valor umérico da verossimilhaça é geralmete (mas ão ecessariamete) meor que um, o logaritmo desse valor é egativo. Assim a trasformação do sial é realizada para que a log-verossimilhaça egativa seja um valor positivo, o que geralmete (mas ão ecessariamete) ocorre. Assim, se o valor da verossimilhaça de uma amostra com muitas observações é um úmero positivo muito pequeo, o valor da log-verossimilhaça egativa será um úmero positivo uma escala mais fácil de trabalhar. Por outro lado, o fato da trasformação icluir uma mudaça de sial implica que o comportameto da fução de log-verossimilhaça egativa é oposto ao comportameto da fução de verossimilhaça. Isso sigifica que a hipótese com maior verossimilhaça terá meor log-verossimilhaça egativa. A trasformação logarítmica também auxilia muito a tratabilidade matemática da fução de verossimilhaça, pois ela faz com que a log-verossimilhaça egativa de uma amostra seja o somatório das log-verossimilhaças egativas das observações idepedetes idividuais: L{µ X } = log L{µ X } ] [ ] = log L{µ X = x i } = log [ L{µ X = x i } ] L{µ X } = L{µ X i } João Luís F. Batista 7
8 2.4.1 Exemplo da Regeeração Natural Revisitado Novamete A aplicação da log-verossimilhaça egativa o exemplo regeeração atural é apresetada a tabela 2. Os valores de log-verossimilhaça egativa para amostra estão agora uma escala bem mais fácil de trabalhar. Por outro lado, a hipótese mais provável (µ = 16) apreseta agora a meor log-verossimilhaça egativa. Para cálculo da verossimilhaça de uma amostra ão é ecessário calcular a verossimilhaça para cada observação para depois obter o valor para amostra. Com um pouco de tratameto algébrico pode se obter a expressão da fução de verossimilhaça para a amostra, mas a expressão da fução de log-verossimilhaça egativa é sempre mais coveiete. No caso da distribuição Poisso, a expressão da verossimilhaça da amostra de tamaho é: L{µ X } = e µ µ x i. = e µ x i! µ x i x i!. Nessa expressão, o cálculo da verossimilhaça para cada valor do parâmetro (µ) evolverá ecessariamete cálculos com cada observação idividual (x i ). Tabela 2: Números de plâtulas observados em 10 parcelas de regeeração atural, seguidos dos valores de log-verossimilhaça egativa calculados segudo a distribuição de Poisso. PARCELA NO. DE PLÂNTULAS LOG-VEROSSIMILHANÇA NEG. (i) (X = x i ) (µ = 16) (µ = 35) João Luís F. Batista 8
9 A trasformação gera a seguite fução log-verossimilhaça egativa para distribuição Poisso: L{µ X } = µ log(µ) x i + log(x i!) Nessa expressão os dois somatórios evolvem exclusivamete os valores das observações, sedo, portato, costates para uma determiada amostra. Assim, o cálculo da log-verossimilhaça se tora bem mais simples a seguite forma: L{µ X } = µ log(µ) k 1 + k 2 ode k 1 = x i e k 2 = log(x i!). A figura 3 ilustra o comportameto da fução de verossimilhaça e da fução de log-verossimilhaça egativa do modelo Poisso com os dados de regeeração atural. 3 Método da O método da cosiste em estimar os parâmetros de um modelo utilizado as estimativas que toram máximo o valor da fução de verossimilhaça. Isso é equivalete a ecotrar o valor para o parâmetro que tora míima a fução de log-verossimilhaça egativa. Olhado o gráfico da fução da verossimilhaça ou da log-verossimilhaça egativa (figura 4) fica claro ode esse poto se ecotra. Utilizado o cálculo diferecial, podemos ecotrar o poto de míimo de uma fução igualado a zero a primeira derivada da fução e solucioado a expressão. No caso da distribuição Poisso, a fução log-verossimilhaça egativa é: L{µ X } = µ log(µ) x i + log(x i!). Ecotrado a primeira derivada de L{µ X } e igualado a zero temos: dl{µ X } dµ x i = µ = 0 µ = x i João Luís F. Batista 9
10 Verossimilhaca 0.0e e e e µ Log Verossimilhaca Negativa µ Figura 3: Fução de verossimilhaça e de log-verossimilhaça egativa da distribuição Poisso para uma amostra de tamaho 10: X = {24, 27, 23, 28, 26, 24, 17, 23, 24, 27}. João Luís F. Batista 10
11 Verossimilhaca 0.0e e e e 13 µ^ µ Log Verossimilhaca Negativa µ^ µ Figura 4: Fução de verossimilhaça e log-verossimilhaça egativa da distribuição Poisso para uma amostra de tamaho 10: X = {24, 27, 23, 28, 26, 24, 17, 23, 24, 27}. A liha vertical idica a possição da estimativa de máxima verossimilhaça. João Luís F. Batista 11
12 Portato, a estimativa de máxima verossimilhaça do parâmetro µ da distribuição de Poisso ada mais é que a média amostral. Assim o exemplo de regeeração de plâtulas temos como estimativa de máxima verossimilhaça: µ = = Propriedades das Estimativas de O método da máxima verossimilhaça é um método estabelecido de estimação de parâmetros de modelos estatístico, sedo utilizado por estatísticos teóricos e práticos de todas as tribos. O uso geeralizado do método se deve às propriedades probabilísticas das estimativas produzidas por ele. As estimativas de máxima verossimilhaça são chamadas em iglês de maximum likelihood estimates, sedo portato desigadas pela sigla MLE. Assumidose que a fução de verossimilhaça satisfaz algumas propriedades matemáticas básicas, que são frequetemete alcaçadas pelos modelos utilizados em Ecologia, as MLE tem as seguites propriedades: Cosistêcia: as MLE são cosistetes, i.e., elas covergem em probabilidade para o valor do parâmetro. Ou seja, para grades amostras ( ) as MLE, para efeitos práticos, são ão-viciadas (ão eviesadas). Eficiêcia Assitótica: O Teorema do Limite Iferior de Cramer-Rao afirma que, para um dado parâmetro qualquer, existe um limite iferior para a variâcia das estimativas ão-viciadas. Para grades amostras, as MLE atigem esse limite e, portato, têm a meor variâcia possível detre as estimativas ão-viciadas. Normalidade Assimptótica: As MLE covergem em distribuição para distribuição Gaussiaa. Para grades amostras, os MLE tem distribuiçõa aproximadamete gaussiaa. Ivariâcia: as MLE são ivariates sob trasformações mootôicas. Por exemplo, seja µ uma MLE que pode ser trasformada para: θ 1 = log( µ), θ 2 = µ e θ 3 = e µ, etão as estimativas θ 1, θ 2 e θ 3 também são MLE. João Luís F. Batista 12
13 Uma aspecto muito importate que deve ser frisado é que as três primeiras propriedades são válidas para grades amostras. 4 Itervalo de Verossimilhaça O itervalo de verossimilhaça correspode a um itervalo ao redor da MLE, ode a razão das verossimilhaças dos valores detro do itervalo para a verossimilhaça da MLE ão ultrapassa um certo limite. A figura 5 mostra um itervalo de verossimilhaça para o exemplo da regeeração atural ode o limite é 8. Ou seja, detro deste itervalo, a razão de verossimilhaça é defiida como: ode L{ µ X 10 } L{µ X 10 } 8 = L{µ X 10} L{ µ X 10} 8 X 10 se refe a amostra com 10 parcelas (uidades amostrais), µ é a MLE, e µ é o parâmetro variado detro do itervalo. Como a prática trabalhamos com a fução de log-verossimilhaça egativa, o itervalo de verossimilhaça também pode ser costruido a forma de um itervalo de log-verossimilhaça egativa, com iterpretação aáloga. Para isso é ecessário aplicar a trasformação à razão de verossimilhaça: log { } L{ µ X10 } log(8) L{µ X 10 } = L{ µ X 10 } L{µ X 10 } log(8) = L{µ X 10 } L{ µ X 10 } + log(8) Em termos de log-verossimilhaça egativa a razão de 8, se tora uma difereça de log(8). Aalisado a curva de verossimilhaça ou log-verossimilhaça egativa verificase que ela é ligeiramete assimétrica em relação à MLE, por isso, o itervalo de verossimilhaça também é ligeiramete assimétrico. Portato, o itervalo de verossimilhaça é determiado pela forma da curva de verossimilhaça, ao cotrário do itervalo de cofiaça a estatística frequetista que é simétrico por defiição. João Luís F. Batista 13
14 Verossimilhaca 0.0e e e e 13 µ^ µ Log Verossimilhaca Negativa µ^ µ Figura 5: Fução de verossimilhaça e log-verossimilhaça egativa da distribuição Poisso para uma amostra de tamaho 10: X = {24, 27, 23, 28, 26, 24, 17, 23, 24, 27}. A liha vertical idica a possição da MLE. A liha horizotal idica um itervalo de verossimilhaça para uma razão de 8. João Luís F. Batista 14
15 O itervalo de verossimilhaça também redefie a forma de apressetação da curva de verossimilhaça. Como o valor da verossimilhaça, ou da log-verossimilhaça egativa, ão pode ser iterpretado de forma direta e absoluta, faz setido apresetar as curvas sempre em termos relativos à máxima verossimilhaça. A figura 6 apreseta os mesmos gráficos da figura 5, mas com a escala relativa. Na escala relativa, a forma da curva ão se altera, mas a visualização do itervalo fica mais fácil. No gráfico da razão de verossimilhaça, o itervalo de verossimilhaça para a razão R = 8, será sempre defiido por uma liha horizotal a altura 1/R = 1/8. No gráfico da difereça de log-verossimilhaça egativa, o itervalo de verossimilhaça para a razão R = 8, será sempre defiido por uma liha horizotal a altura log(r) = log(8) = 2, Exemplo da Distribuição Biomial em Evetos Raros Num levatameto florestal foram selecioadas aleatoriamete 100 árvores para verificar a proporção de árvores doetes. Etretato, ehuma delas apresetou a doeça em questão. Utilizado-se a abordagem tradicioal a estimativa da probabilidade de ocorrêcia e sua variâcia são: p = = 0 s2 p = p(1 p) = 0(1 0) 100 Logo ão é possível acessar a qualidade da estimativa p = 0. Utilizado a curva de verossimilhaça ão há problema, pois esta curva é dada por ( ) L{p} = p 0 (1 p) = (1 p) 0 A figura 7 apreseta esta curva para diferetes tamahos de amostra. Nota-se que, idepedetemete do valor estimado ( p = 0), o itervalo de verossimilhaça pode ser facilmete defiido. A figura também deixa claro o forte efeito do tamaho da amostra sobre a amplitude do itervalo. Como o tamaho da amostra efetivamete tomada em campo foi = 100, verificamos a figura 7 que o itervalo de verossimilhaça para a razão de 8 é [0.00, 0.02]. Os dados idicam que, se a doeça procurada ocorre de fato a floresta, a proporção de árvores doetes é o máximo 2%. = 0 João Luís F. Batista 15
16 µ^ 1.0 Razao de Verossimilhaca µ Difereca Log Verossimilhaca Negativa µ^ µ Figura 6: Curva relativa da verossimilhaça e da log-verossimilhaça egativa da distribuição Poisso para uma amostra de tamaho 10. João Luís F. Batista 16
17 1.0 Verossimilhaca Relativa = =1000 = p Figura 7: Curva de verossimilhaça para o modelo biomial, tomado 0 sucessos observados uma amostra de tamaho. A liha horizotal represeta a fração 1/8. 5 Superfícies e Curvas de Verossimilhaça O exemplo que vem sedo apresetado utiliza a distribuição de Poisso, que possui apeas um parâmetro (µ). No caso das distribuições estatísticas com dois ou mais parâmetros, a curva de verossimilhaça se trasforma uma superfície de verossimilhaça. A figura 8 ilustra como a superfície de log-verosimilhaça egativa relativa para diversas amostras de uma distribuição Gaussiaa (Normal). A distribuição Gaussiaa possui dois parâmetros: média (µ) e desvio padrão (σ), de forma que apresetação foi feita a forma de um gráfico de cotoro, ode as lihas represetam isolihas de log-verossimilhaça egativa. Tratado-se de dois parâmetros, ão se tem mais um itervalo de verossimilhaça, mas uma região de verossimilhaça. Na figura 8, esta região é delimitada por uma liha mais espessa correspodete à isoliha para log-verorssimilhaça egativa relativa igual a log(8). A figura também mostra o efeito do tamaho da amostra sobre o tamaho da região de verossimilhaça: à medida que o tama- João Luís F. Batista 17
18 ho da amostra aumeta o tamaho da região dimiui, idicado o aumeto da precisão das MLE. = 50 = σ 10 σ = 500 = σ 10 σ Figura 8: Gráfico de cotoro com isolihas da log-verossimilhaça egativa relativa para amostras de diferetes tamahos () da distribuição Gaussiaa (Normal) com µ = 25 e σ = 10. As lihas potilhadas idicam os valores das MLE: µ e σ. A isoliha mais espessa idica log-verossimilhaça egativa relativa igual a log(8). João Luís F. Batista 18
19 5.1 De Superfície para Curvas Frequetemete quado se trabalha com modelos de variáveis aleatórias que possuem vários parâmetros, apeas um ou algus deles são de iteresse, sedo que os demais ão são cosiderados a aálise, mas fazem parte do modelo. Por exemplo, a distribuição Gaussiaa é frequetemete utilizada para se iterpretar o comportameto da média (µ), idepedetemete do comportameto do desvio padrão (σ). Os parâmetros ecessários ao modelo, mas sem iteresse para iterpretação, são parâmetros icoveietes (uisace parameters). Na sua preseça, ão é coveiete se aalisar as regiões de verossimilhaça, pois a falta de iterpretação para os parâmetros icoveietes só faz aumetar a complexidade da iterpretação da região de verossimilhaça. Assim, se faz ecessário uma forma de aalisar os parâmetros de iteresse sem a iterferêcia dos parâmetros icoveietes. Mesmo quado o úmero de parâmetros de iteresse é maior do que dois, a iterpretação gráfica da região de verossimilhaça é extremamete complexa. Logo é ecessário uma forma coveiete de se estudar o comportameto das MLE dos parâmetros em modelos com muitos parâmetros. A forma de realizar esse estudo é substituir a aálise da supefície de verossimilhaça de um modelo pela aálise de uma série de curvas de verossimilhaça, cada uma relativa a um parâmetro de iteresse o modelo. 5.2 Verossimilhaça Estimada A Verossimilhaça Estimada é uma técica se costroe uma curva de verossimilhaça para cada parâmetro de iteresse, matedo os demais parâmetros (de iteresse ou icoveietes) um valor costate. O melhor valor para mater demais parâmetros é a a estimativa de máxima verossimilhaça deles. No exemplo da distribuição Gaussiaa, a curva de verossimilhaça estimada para média é obtida como L E {µ} = L{µ, σ} ode σ é a MLE do desvio padrão. A figura 9 apreseta as curvas de verossimilhaça estimada para o exemplo da distribuição Gaussiaa, utilizado os mesmos dados apresetados a figura 8. Para facilitar a visualização, a curva é apresetada em fução da difereça µ µ, pois as amostras geraram estimativas µ ligeiramete distitas. O gráfico mostra o efeito do tamaho da amostra aumetado a curvatura da superfície de verossimilhaça e, cosequetemete, reduzido o tamaho do itervalo de verossimi- João Luís F. Batista 19
20 Log Verossimilhaca Negativa Relativa log(8) = 1000 = 500 = 100 = µ µ^ Figura 9: Log-verossimilhaça egativa relativa estimada para amostras de diferetes tamahos () da distribuição Gaussiaa com µ = 25 e σ = 10. As curvas foram traçadas para diferetes valores de µ, matedo o valor do desvio padrão (σ) fixo o valor da sua MLE ( σ). lhaça da MLE da média. 5.3 Verossimilhaça Perfilhada Outra forma de costruir curvas de verossimilhaça é a Verossimilhaça Perfilhada. Essa técica cosiste em variar o parâmetro de iteresse e, para cada valor dele, ecotar as MLE dos demais parâmetros do modelo substituido-os a fução de verossimilhaça para calcular a verossimilhaça poto-a-poto do parâmetro de iteresse. Tomado o exemplo da distribuição Gaussiaa, a curva de log-verossimilhaça egativa perfilhada para média é costruída torado a MLE do desvio padrão (ou da variâcia), para cada valor da média: L P {µ} = L{µ, σ 2 = σ 2 } = 2 l(2π) + 2 l( σ 2 ) σ 2 (y i µ) 2 João Luís F. Batista 20
21 Mas a MLE da variâcia é uma fução da própria média: σ 2 = 1 (y i µ) 2 Iserido essa expressão a fução de log-verossimilhaça egativa se obtem a verossimilhaça perfilhada da média: L P {µ} = 2 l(2π) + ( ) 1 2 l (y i µ) A figura 10 apreseta uma comparação da verossimilhaça perfilhada e estimada. Ambas têm o mesmo poto de míimo (poto da MLE), e a vizihaça desse poto as curvas são coicidetes. Etretato, à medida que se afasta do poto de míimo a curva da verossimilhaça perfilada é mais aberta, o que idica um maior grau de icerteza sobre a estimativa da média. A verossimilhaça perfilada é mais coerete e realista, uma vez que para cada valor de µ o gráfico, ela busca o MLE da variâcia assumido aquele valor de média. 6 O Critério de Akaike a Comparação de Modelos A utilização da razão da verossimilhaça ão cosidera que dois modelos sedo comparados podem diferir bastate o úmero de parâmetros ajustados. Geralmete, espera-se que um modelo com mais parâmetros teda a apresetar um ajuste melhor que um com meos parâmetros, pois os parâmetros são os elemetos que os permitem explicar o comportameto dos dados. Pelo Pricípio da Parsimôia, ou Pricípio de Okham, etre dois modelos com igual poder explicativo opta-se pelo modelo mais simples, o que geralmete é etedido como o modelo com o meor úmero de parâmetros. Um critério baseado da log-verossimilhaça egativa que cosidera o úmero de parâmetros é o Critério de Iformação de Akaike (AIC), que pealiza a logverossimilhaça egativa com duas vêzes o úmero de parâmetros: AIC = 2 l [L{θ}] + 2p = 2L{θ} + 2p (1) No caso da distribuição Gaussiaa o AIC pode ser detalhado como: AIC = 2L{ µ, σ} + 2p João Luís F. Batista 21
22 Log Verossimilhaça Negativa Figura 10: Fução de log-verossimilhaça egativa perfilada (em azul) e logverossimilhaça egativa estimada (em vermelho) para a média de uma distribuição Gaussiaa, applicada a dados do DAP médio por parcela em floresta ativa do Marahão. µ [ ] 1 = 2 l 2π + l σ + (x 2 2 σ 2 i µ) 2 + 2p = 2 2 l 2π + l (x i µ) (x (x i µ) 2 i µ) 2 + 2p Simplificado-se a expressão: ( ) AIC = l(2π) + l (x i µ) 2 + 2p No modelo Gaussiao, o AIC é obtido a partir da soma dos desvios quadráticos das observações em relação à média estimada (soma de quadrados do resíduo). João Luís F. Batista 22
23 Aexo MLE para algus Modelos A sigla MLE pode desigar estimativas ou estimadores. Etede-se por estimativa o valor umérico atribuido a um parâmetro a situação particular de um certo cojuto de dados. Etede-se por estimador a expressão ou processo matemático que permite ecotrar a estimativa os casos particulares. A expressão as MLE se refe às estimativas, a expressão os MLE se refere aos estimadores. Nessa secção são apresetados os MLE para algus modelos de distribuição aleatória. A Distribuição Gaussiaa (Distribuição Normal) Assumido que um cojuto de variáveis aleatórias X 1, X 2,..., X são idepedetes e ideticamete distribuidas seguido a distribuição Normal com média µ e variâcia σ 2 (X i N(µ, σ 2 ), i = 1,..., ), a desidade cojuta destas variáveis é igual ao produto das desidades margiais. A fução de verossimilhaça, para uma amostra observada X i = x i, se tora: [ 1 L{µ, σ} = σ 2π exp 1 ( ) ] xi µ 2 2 σ [ L{µ, σ} = (2π) /2 σ exp 1 ] (x 2σ 2 i µ) 2 A fução de log-verossimilhaça egativa é de forma mais simples: L{µ, σ} = 2 l 2π + l σ + 1 2σ 2 (x i µ) 2 Igualado as derivadas parciais a zero e solucioado para os parâmetros de iteresse, obtem-se: L{µ, σ} = 1 x i (x µ σ 2 i µ) = 0 = µ = L{µ, σ} = σ σ 1 (x σ 3 i µ) 2 = 0 = σ = 1 (x i µ) 2 João Luís F. Batista 23
24 O MLE para o desvio padrão é ligeiramete diferete do estimador covecioal. O estimador covecioal é ão-viciada, mas o MLE é cosistete, isto é, ão-viciado para grades amostras. B Distribuição Weibull - 2 Parâmetros Dado um cojuto de variáveis aleatórias X 1, X 2,..., X, idepedetes e ideticamete distribuidas de acordo com a distribuição Weibull, com parâmetro de escala β e parâmetro de forma γ, (X i Weibull(β, γ), i = 1,..., ), a desidade cojuta destas variáveis é igual a produto das desidades margiais. A fução de verossimilhaça, para uma amostra observada X i = x i, se tora: [ γ L{β, γ} = exp 1 ] = β γ xγ 1 i ) [ ( γ β γ x γ 1 i β γ xγ i ] [ exp 1 β γ ] x γ i A fução de log-verossimilhaça egativa assume a forma: ( ) γ L{µ, σ} = l γ l(β) + (γ 1) l(x β γ i ) 1 β γ A derivada parcial em relação ao parâmetro de escala fica: L{β, γ} = γ ( + 1 ) x γ β β β γ i = 0 β γ x γ i = x γ i resultado um estimador de máxima verossimilhaça que é depedete do parâmetro de forma: [ x β γ ] 1/γ i = A derivada parcial em relação ao parâmetro de forma fica: L{β, γ} γ = γ l(β) + l(x i ) 1 β γ x γ i l(β) = 0 João Luís F. Batista 24
25 Tomado o valor de β γ está expressão é simplificada para: γ + x γ i l(x i ) x γ = 0 i a qual ão pode ser simplificada mais. Assim, a MLE para o parâmetro da forma ( γ) é obtido solucioado a expressão acima por métodos iterativos. Uma vez que γ é ecotrado, a estimativa do parâmetro de escala é obtida diretamete. C Distribuição Weibull - 3 Parâmetros Tomado-se ovamete um cojuto de variáveis aleatórias X 1, X 2,..., X, idepedetes e ideticamete distribuidas de acordo com a distribuição Weibull, mas agora com três parâmetros: parâmetro de locação α, parâmetro de escala β e parâmetro de forma γ. (X i Weibull(α, β, γ), i = 1,..., ). Novamete, a desidade cojuta destas variáveis é igual a produto das desidades margiais, logo a fução de verossimilhaça, para uma amostra observada X i = x i, se tora: [ γ L{α, β, γ} = β (x γ i α) γ 1 exp 1 ] β (x γ i α) γ ( ) [ γ ] [ = (x β γ i α) γ 1 exp 1 ] (x β γ i α) γ A fução de log-verossimilhaça egativa assume a forma: ( ) γ L{µ, σ} = l γ l(β) + (γ 1) l(x β γ i α) 1 β γ A derivada parcial em relação ao parâmetro de escala fica: L{α, β, γ} = γ ( + 1 ) (x β β β γ i α) γ = 0 β γ (x i α) γ = (x i α) γ resultado um estimador de máxima verossimilhaça que é depedete do parâmetro de forma: [ (x i α) β γ ] 1/γ = (2) João Luís F. Batista 25
26 A derivada parcial em relação ao parâmetro de forma fica: L{α, β, γ} γ = γ l(β) + l(x i α) 1 β γ (x i α) γ l(β) = 0 Tomado o valor de β γ está expressão é simplificada para: γ + (x i α) γ l(x i α) (x i α) = 0 (3) γ a qual ão pode ser simplificada mais. Em relação ao parâmetro de locação, a derivada parcial fica: L{α, β, γ} α = (γ 1) 1 x i α + γ β γ Substituido-se o valor de β γ em (2), obtemos: (x i α) γ 1 = 0 γ (x i α) (γ 1) 1 x i α = 0 [ ] [ ] 1 (γ 1) (x i α) + γ = 0 x i α [ ] [ ] 1 x i α γ x i α γ 1 = 0 1 (x α) x i α γ γ 1 = 0 1 (x α) x i α γ γ 1 = 0 (4) ode x é a média da amostra. Todas as expressões são depedetes do parâmetro de locação (α) e do parâmetro de forma (γ). Para se obter as MLE tora-se ecessário utilizar um processo iterativo evolvedo essas expressões: 1. Iicia-se o processo com um valor arbitrário de α, (α 0 ) e ecotra-se o valor iicial para γ (γ 1 ) fazedo a expressão (3) covergir por um processo iterativo. 2. Utilizado-se γ 1, obtem-se o valor icial de α (α 1 ), fazedo a expressão (4) covergir por um processo iterativo. João Luís F. Batista 26
27 3. Repete-se os passos 1 e 2 acima, até que os valores obtidos para α e γ deixem de sofrer alterações marcates. Os valores fiais α e γ são as MLE ( α, γ). 4. Utilizado α e γ, obtem-se β solucioado-se a expressão (2). João Luís F. Batista 27
Cap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Itervalo Amostragem e iferêcia estatística População: cosiste a totalidade das observações em que estamos iteressados. Nº de observações a população é deomiado tamaho=n. Amostra:
Leia maisn ) uma amostra aleatória da variável aleatória X.
- Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer
Leia maisEstimadores de Momentos
Estimadores de Mometos A média populacioal é um caso particular daquilo que chamamos de mometo. Na realidade, ela é o primeiro mometo. Se X for uma v.a. cotíua, com desidade f(x; θ 1,..., θ r ), depededo
Leia mais6.1 Estimativa de uma média populacional: grandes amostras. Definição: Um estimador é uma característica amostral (como a média amostral
6 ESTIMAÇÃO 6.1 Estimativa de uma média populacioal: grades amostras Defiição: Um estimador é uma característica amostral (como a média amostral x ) utilizada para obter uma aproximação de um parâmetro
Leia maisLista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação
Assuto: Propriedade dos Estimadores e Métodos de Estimação. ANPEC 08 - Questão 6 Por regulametação, a cocetração de um produto químico ão pode ultrapassar 0 ppm. Uma fábrica utiliza esse produto e sabe
Leia maisObtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n.
Vamos observar elemetos, extraídos ao acaso e com reposição da população; Para cada elemeto selecioado, observamos o valor da variável X de iteresse. Obtemos, etão, uma amostra aleatória de tamaho de X,
Leia maisEstimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação
ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p 1 Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma
Leia maisLista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas
. ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia
Leia maisTeorema do limite central e es/mação da proporção populacional p
Teorema do limite cetral e es/mação da proporção populacioal p 1 RESULTADO 1: Relembrado resultados importates Seja uma amostra aleatória de tamaho de uma variável aleatória X, com média µ e variâcia σ.temos
Leia maisDistribuições de Estatísticas Amostrais e Teorema Central do Limite
Distribuições de Estatísticas Amostrais e Teorema Cetral do Limite Vamos começar com um exemplo: A mega-sea de 996 a N 894 úmeros de a 6: Média: m 588 Desvio padrão: 756 49 amostras de 6 elemetos Frequêcia
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL 1. Itrodução. Teorema Cetral do Limite 3. Coceitos de estimação potual 4. Métodos de estimação potual 5. Referêcias Estatística Aplicada à Egeharia 1 Estatística
Leia maisCapítulo 5- Introdução à Inferência estatística. (Versão: para o manual a partir de 2016/17)
Capítulo 5- Itrodução à Iferêcia estatística. (Versão: para o maual a partir de 2016/17) 1.1) Itrodução.(222)(Vídeo 39) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar
Leia maisCapítulo 5- Introdução à Inferência estatística.
Capítulo 5- Itrodução à Iferêcia estatística. 1.1) Itrodução.(184) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar coclusões acerca da população de ode se extraiu a amostra.
Leia maisDESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos:
48 DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL LEI DOS GRANDES NÚMEROS Pretede-se estudar o seguite problema: À medida que o úmero de repetições de uma experiêcia cresce, a frequêcia relativa
Leia maisDistribuições Amostrais
Distribuições Amostrais O problema da iferêcia estatística: fazer uma afirmação sobre os parâmetros da população θ (média, variâcia, etc) através da amostra. Usaremos uma AAS de elemetos sorteados dessa
Leia maisAmostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?
Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por
Leia maisEstimação da média populacional
Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa
Leia mais1 Distribuições Amostrais
1 Distribuições Amostrais Ao retirarmos uma amostra aleatória de uma população e calcularmos a partir desta amostra qualquer quatidade, ecotramos a estatística, ou seja, chamaremos os valores calculados
Leia maisESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p
ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma amostra.
Leia maisDistribuições Amostrais
9/3/06 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/09/06 3:38 ESTATÍSTICA APLICADA I - Teoria
Leia maisbinomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.
biomial seria quase simétrica. Nestas codições será também melhor a aproximação pela distribuição ormal. Na prática, quado e p > 7, a distribuição ormal com parâmetros: µ p 99 σ p ( p) costitui uma boa
Leia maisAvaliação de Desempenho de Sistemas Discretos
Distribuições Comus Avaliação de Desempeho de Sistemas Discretos Probabilidade e Estatística 2 Uiforme Normal Poisso Hipergeométrica Biomial Studet's Geométrica Logormal Expoecial Beta Gamma Qui-Quadrado
Leia maisDistribuições Amostrais
7/3/07 Uiversidade Federal do Pará Istituto de Tecologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 3/07/07 09:3 ESTATÍSTICA APLICADA I - Teoria
Leia maisEstimação da média populacional
Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa
Leia maisSumário. 2 Índice Remissivo 17
i Sumário 1 Itrodução à Iferêcia Estatística 1 1.1 Defiições Básicas................................... 1 1.2 Amostragem....................................... 2 1.2.1 Tipos de Amostragem.............................
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 2
MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,
Leia maisInstruções gerais sobre a Prova:
DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2012/2013 Istruções gerais sobre a Prova: (a) Cada questão respodida corretamete vale 1 (um) poto. (b) Cada
Leia maisCAPÍTULO 6 ESTIMATIVA DE PARÂMETROS PPGEP. Introdução. Introdução. Estimativa de Parâmetros UFRGS
CAPÍTULO 6 Itrodução Uma variável aleatória é caracterizada ou descrita pela sua distribuição de probabilidade. ETIMATIVA DE PARÂMETRO URG Em aplicações idustriais, as distribuições de probabilidade são
Leia maisEstatística. Estatística II - Administração. Prof. Dr. Marcelo Tavares. Distribuições de amostragem. Estatística Descritiva X Estatística Inferencial
Estatística II - Admiistração Prof. Dr. Marcelo Tavares Distribuições de amostragem Na iferêcia estatística vamos apresetar os argumetos estatísticos para fazer afirmações sobre as características de uma
Leia maisStela Adami Vayego DEST/UFPR
Resumo 0 Estimação de parâmetros populacioais 9.. Itrodução Aqui estudaremos o problema de avaliar certas características dos elemetos da população (parâmetros), com base em operações com os dados de uma
Leia maisConteúdo. Observações importantes. Introdução à Estatística. Introdução a Probabilidade e Estatística para Teoria dos Valores Extremos (TVE)
Coteúdo Uiversidade Federal de Sata Cataria (UFSC) Programa de Pós-Graduação em Egeharia de Automação e Sistemas (PPGEAS) Disciplia: Sistemas de Tempo Real II 1 Itrodução à Estatística Itrodução a Probabilidade
Leia mais10 - Medidas de Variabilidade ou de Dispersão
10 - Medidas de Variabilidade ou de Dispersão 10.1 Itrodução Localizado o cetro de uma distribuição de dados, o próximo passo será verificar a dispersão desses dados, buscado uma medida para essa dispersão.
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UB FUB/0 fa 5 4 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B correspode ao quartil cetral (Q ) da distribuição A.
Leia maisRevisando... Distribuição Amostral da Média
Estatística Aplicada II DISTRIBUIÇÃO AMOSTRAL MÉDIA AULA 08/08/16 Prof a Lilia M. Lima Cuha Agosto de 016 Revisado... Distribuição Amostral da Média Seja X uma v. a. de uma população com média µ e variâcia
Leia maisDEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA E PROBABILIDADE SELEÇÃO - MESTRADO/ UFMG /2016
DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA E PROBABILIDADE SELEÇÃO - MESTRADO/ UFMG - 205/206 Istruções:. Cada questão respodida corretamete vale (um poto. 2. Cada questão respodida icorretamete
Leia maisESTIMAÇÃO PARA A MÉDIA
ESTIMAÇÃO PARA A MÉDIA Objetivo Estimar a média de uma variável aleatória, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Vamos observar elemetos, extraídos ao
Leia maisVirgílio A. F. Almeida DCC-UFMG 1/2005
Virgílio A. F. Almeida DCC-UFMG 1/005 !" # Comparado quatitativamete sistemas eperimetais: Algoritmos, protótipos, modelos, etc Sigificado de uma amostra Itervalos de cofiaça Tomado decisões e comparado
Leia maisIntervalos de Confiança
Itervalos de Cofiaça Prof. Adriao Medoça Souza, Dr. Departameto de Estatística - PPGEMQ / PPGEP - UFSM - 0/9/008 Estimação de Parâmetros O objetivo da Estatística é a realização de iferêcias acerca de
Leia maisEstimativa de Parâmetros
Estimativa de Parâmetros ENG09004 04/ Prof. Alexadre Pedott pedott@producao.ufrgs.br Trabalho em Grupo Primeira Etrega: 7/0/04. Plao de Amostragem - Cotexto - Tipo de dado, frequêcia de coleta, quatidade
Leia maisO teste de McNemar. A tabela 2x2. Depois - Antes
Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br O teste de McNemar O teste de McNemar para a sigificâcia de mudaças é particularmete aplicável aos experimetos do tipo "ates e depois"
Leia maisCapítulo 5. CASO 5: EQUAÇÃO DE POISSON 5.1 MODELO MATEMÁTICO E SOLUÇÃO ANALÍTICA
Capítulo 5. CASO 5: EQUAÇÃO DE POISSON No presete capítulo, é abordado um problema difusivo uidimesioal com absorção de calor (Icropera e DeWitt, 199, o que resulta uma equação de Poisso, que é uma equação
Leia maisComo se decidir entre modelos
Como se decidir etre modelos Juliaa M. Berbert Quado uma curva é lei de potecia? O procedimeto amplamete usado para testar movimetação biológica a fim de ecotrar padrões de busca como Voos de Levy tem
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: Semaas 1 2 3 4 5 6 7 8 9 1 11 12 13 14 15 e 16 Itrodução à probabilidade evetos
Leia maisAula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança
Aula 5 Aula passada Valor esperado codicioal Espaço amostral cotíuo, fução desidade Limitates para probabilidade Desigualdades de Markov, Chebyshev, Cheroff with high probability Aula de hoje Limitate
Leia maisMATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
MATEMÁTICA II Profa. Dra. Amada Liz Pacífico Mafrim Perticarrari amada@fcav.uesp.br O PROBLEMA DA ÁREA O PROBLEMA DA ÁREA Ecotre a área da região que está sob a curva y = f x de a até b. S = x, y a x b,
Leia maisENGENHARIA DA QUALIDADE A ENG AULA 6 CARTAS DE CONTROLE PARA ATRIBUTOS
ENGENHARIA DA QUALIDADE A ENG 09008 AULA 6 CARTAS DE CONTROLE PARA ATRIBUTOS PROFESSORES: CARLA SCHWENGBER TEN CATEN Tópicos desta aula Cartas de Cotrole para Variáveis Tipo 1: Tipo 2: Tipo 3: X X X ~
Leia maisNOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA
NOTAS DE AULA: DISTRIBUIÇÃO AMOSTRAL E INTERVALOS DE CONFIANÇA Objetivos da aula: Compreeder que um estimador é uma variável aleatória e, portato, pode-se estabelecer sua distribuição probabilística; Estabelecer
Leia maisMQI 2003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE Teste 2 07/07/2008 Nome: PROBLEMA 1 Sejam X e Y v.a. contínuas com densidade conjunta:
MQI 003 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 07/07/008 Nome: PROBLEMA Sejam X e Y v.a. cotíuas com desidade cojuta: f xy cy xy x y (, ) = + 3 ode 0 e 0 a) Ecotre a costate c que faz desta
Leia maisCAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES
CAPÍTULO 6 - ESTIMAÇÃO E TESTES DE HIPÓTESES 6. INTRODUÇÃO INFERÊNCIA ESTATÍSTICA Estimação por poto por itervalo Testes de Hipóteses População X θ =? Amostra θ Iferêcia Estatística X, X,..., X 6. ESTIMAÇÃO
Leia maisESTATÍSTICA EXPLORATÓRIA
ESTATÍSTICA EXPLORATÓRIA Prof Paulo Reato A. Firmio praf6@gmail.com Aulas 19-0 1 Iferêcia Idutiva - Defiições Coceitos importates Parâmetro: fução diretamete associada à população É um valor fixo, mas
Leia maisESTIMAÇÃO DE PARÂMETROS
ESTIMAÇÃO DE PARÂMETROS 1 Estimação de Parâmetros uiverso do estudo (população) dados observados O raciocíio idutivo da estimação de parâmetros Estimação de Parâmetros POPULAÇÃO p =? AMOSTRA Observações:
Leia maisA finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra.
Jaete Pereira Amador Itrodução A aálise de regressão tem por objetivo descrever através de um modelo matemático, a relação existete etre duas variáveis, a partir de observações dessas viráveis. A aálise
Leia mais5 Teoria dos Valores Extremos
Teoria dos Valores Extremos 57 5 Teoria dos Valores Extremos A Teoria dos Valores Extremos vem sedo bastate utilizada em campos ligados a evetos raros. Sua estatística é aplicada a estimação de evetos
Leia maisObjetivo. Estimar a média µ de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra.
ESTIMAÇÃO PARA A MÉDIAM Objetivo Estimar a média µ de uma variável aleatória X, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Exemplos: µ : peso médio de homes
Leia maise, respectivamente. Os valores tabelados para a distribuição t-student dependem do número de graus de liberdade ( n 1 e
Prof. Jaete Pereira Amador 1 1 Itrodução Um fator de grade importâcia a pesquisa é saber calcular corretamete o tamaho da amostra que será trabalhada. Devemos ter em mete que as estatísticas calculadas
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 1
MAE 229 - Itrodução à Probabilidade e Estatística II Resolução Lista 1 Professor: Pedro Moretti Exercício 1 (a) Fazer histograma usado os seguites dados: Distribuição de probabilidade da variável X: X
Leia maisDETERMINANDO A SIGNIFICÂNCIA ESTATÍSTICA PARA AS DIFERENÇAS ENTRE MÉDIAS
DTRMINANDO A SIGNIFIÂNIA STATÍSTIA PARA AS DIFRNÇAS NTR MÉDIAS Ferado Lag da Silveira Istituto de Física - UFRGS lag@if.ufrgs.br O objetivo desse texto é apresetar através de exemplos uméricos como se
Leia maisEstimação de Parâmetros. 1. Introdução
Estimação de Parâmetros. Itrodução O objetivo da Estatística é a realização de iferêcia acerca de uma população, baseadas as iformações amostrais. Como as populações são caracterizados por medidas uméricas
Leia maisMétodos de Amostragem
Métodos de Amostragem Amostragem aleatória Este é o procedimeto mais usual para ivetários florestais e baseia-se o pressuposto de que todas as uidades amostrais têm a mesma chace de serem amostradas a
Leia maisDERIVADAS DE FUNÇÕES11
DERIVADAS DE FUNÇÕES11 Gil da Costa Marques Fudametos de Matemática I 11.1 O cálculo diferecial 11. Difereças 11.3 Taxa de variação média 11.4 Taxa de variação istatâea e potual 11.5 Primeiros exemplos
Leia maisPedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004
Estatística para Cursos de Egeharia e Iformática Pedro Alberto Barbetta / Marcelo Meezes Reis / Atoio Cezar Boria São Paulo: Atlas, 004 Cap. 7 - DistribuiçõesAmostrais e Estimaçãode deparâmetros APOIO:
Leia maisSEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO DE CIÊNCIAS BIOLÓGICAS DECB
Govero do Estado do Rio Grade do Norte Secretaria de Estado da Educação e da Cultura - SEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO
Leia maisProbabilidades e Estatística
Departameto de Matemática Probabilidades e Estatística Primeiro exame/segudo teste 2 o semestre 29/21 Duração: 18/9 miutos Grupo I Justifique coveietemete todas as respostas. 17/6/21 9: horas 1. Com base
Leia maisd) A partir do item c) encontre um estimador não viciado para σ 2.
Uiversidade de Brasília Departameto de Estatística 6 a Lista de PE 1 Seja X 1,, X ) uma AAS tal que EX i ) = µ e VarX i ) = σ 2 a) Ecotre EXi 2 ) e E X 2) b) Calcule EX i X) X i X) 2 c) Se T =, mostre
Leia mais3 Introdução à inferência estatística
3 Itrodução à iferêcia estatística Itrodução à iferêcia estatística Pág. 00 1.1. Este tipo de estudos as sodages eleitorais têm como objetivo aferir o setido de voto dos eleitores. Isto permite, ão só
Leia mais1 Estimação de Parâmetros
1 Estimação de arâmetros Vários tipos de estudos tem o objetivo de obter coclusões fazer iferêcias a respeito de parâmetros de uma população. A impossibilidade de avaliar toda a população faz com que a
Leia maisA Inferência Estatística é um conjunto de técnicas que objetiva estudar a população através de evidências fornecidas por uma amostra.
UNIVERSIDADE FEDERAL DA PARAÍBA Distribuição Amostral Luiz Medeiros de Araujo Lima Filho Departameto de Estatística INTRODUÇÃO A Iferêcia Estatística é um cojuto de técicas que objetiva estudar a população
Leia maisAnálise de Regressão Linear Múltipla I
Aálise de Regressão Liear Múltipla I Aula 04 Gujarati e Porter, 0 Capítulos 7 e 0 tradução da 5ª ed. Heij et al., 004 Capítulo 3 Wooldridge, 0 Capítulo 3 tradução da 4ª ed. Itrodução Como pode ser visto
Leia maisAMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM
6 AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM Quado se pretede estudar uma determiada população, aalisam-se certas características ou variáveis dessa população. Essas variáveis poderão ser discretas
Leia maisCONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA
1 CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1. Coceitos Básicos de Probabilidade Variável aleatória: é um úmero (ou vetor) determiado por uma resposta, isto é, uma fução defiida em potos do espaço
Leia maisSecção 1. Introdução às equações diferenciais
Secção. Itrodução às equações difereciais (Farlow: Sec..,.) Cosideremos um exemplo simples de um feómeo que pode ser descrito por uma equação diferecial. A velocidade de um corpo é defiida como o espaço
Leia maisA DESIGUALDADE DE CHEBYCHEV
A DESIGUALDADE DE CHEBYCHEV Quado se pretede calcular a probabilidade de poder ocorrer determiado acotecimeto e se cohece a distribuição probabilística que está em causa o problema, ão se colocam dificuldades
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO. Dr. Sivaldo Leite Correia
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO Dr. Sivaldo Leite Correia CONCEITOS, LIMITAÇÕES E APLICAÇÕES Nos tópicos ateriores vimos as estratégias geeralizadas para
Leia maisProbabilidade II Aula 12
Coteúdo Probabilidade II Aula Juho de 009 Desigualdade de Marov Desigualdade de Jese Lei Fraca dos Grades Números Môica Barros, D.Sc. Itrodução A variâcia de uma variável aleatória mede a dispersão em
Leia maisEstudando complexidade de algoritmos
Estudado complexidade de algoritmos Dailo de Oliveira Domigos wwwdadomicombr Notas de aula de Estrutura de Dados e Aálise de Algoritmos (Professor Adré Bala, mestrado UFABC) Durate os estudos de complexidade
Leia maisESTIMAÇÃO DE PARÂMETROS
ESTIMAÇÃO DE PARÂMETROS 1 Estimação de Parâmetros uiverso do estudo (população) dados observados O raciocíio idutivo da estimação de parâmetros Estimação de Parâmetros População p Amostra X S pˆ (parâmetros:
Leia maisComparação entre duas populações
Comparação etre duas populações AMOSTRAS INDEPENDENTES Comparação etre duas médias 3 Itrodução Em aplicações práticas é comum que o iteresse seja comparar as médias de duas diferetes populações (ambas
Leia maisUniversidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 1 a Aula Prática Técnicas de somatório
Uiversidade Federal de Lavras Departameto de Estatística Prof. Daiel Furtado Ferreira 1 a Aula Prática Técicas de somatório Notação e propriedades: 1) Variáveis e ídices: o símbolo x j (leia x ídice j)
Leia maisSumário. 2 Índice Remissivo 19
i Sumário 1 Estatística Descritiva 1 1.1 Coceitos Básicos.................................... 1 1.1.1 Defiições importates............................. 1 1.2 Tabelas Estatísticas...................................
Leia maisProbabilidade II Aula 9
Coteúdo Probabilidade II Aula 9 Maio de 9 Môica Barros, D.Sc. Estatísticas de Ordem Distribuição do Máximo e Míimo de uma amostra Uiforme(,) Distribuição do Máximo e Míimo caso geral Distribuição das Estatísticas
Leia maisAnálise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos
Aálise de Algoritmos Aálise de Algoritmos Prof Dr José Augusto Baraauskas DFM-FFCLRP-USP A Aálise de Algoritmos é um campo da Ciêcia da Computação que tem como objetivo o etedimeto da complexidade dos
Leia maisCONHECIMENTOS ESPECÍFICOS
Acerca dos coceitos de estatística e dos parâmetros estatísticos, julgue os ites seguites. CONHECIMENTOS ESPECÍFICOS CESPE/UB STM 67 A partir do histograma mostrado a figura abaixo, é correto iferir que
Leia mais2.2. Séries de potências
Capítulo 2 Séries de Potêcias 2.. Itrodução Série de potêcias é uma série ifiita de termos variáveis. Assim, a teoria desevolvida para séries ifiitas de termos costates pode ser estedida para a aálise
Leia maisCritérios de correção e orientações de resposta p-fólio
Miistério da Ciêcia, Tecologia e Esio Superior U.C. 037 Elemetos de Probabilidade e Estatística de Juho de 0 Critérios de correção e orietações de resposta p-fólio Neste relatório apresetam-se os critérios
Leia maisINFERÊNCIA. Fazer inferência (ou inferir) = tirar conclusões
INFERÊNCIA Fazer iferêcia (ou iferir) = tirar coclusões Iferêcia Estatística: cojuto de métodos de aálise estatística que permitem tirar coclusões sobre uma população com base em somete uma parte dela
Leia maisObjetivo. Estimar a média de uma variável aleatória X, que representa uma característica de interesse de uma população, a partir de uma amostra.
Objetivo Estimar a média de uma variável aleatória X, que represeta uma característica de iteresse de uma população, a partir de uma amostra. Exemplos: : peso médio de homes a faixa etária de 20 a 30 aos,
Leia maisFundamentos de Estatística Aplicada. Módulo IV: Introdução à Inferência Estatística
Uiversidade Federal Flumiese Istituto de Matemática e Estatística Fudametos de Estatística Aplicada Módulo IV: Itrodução à Iferêcia Estatística Aa Maria Lima de Farias Departameto de Estatística Coteúdo
Leia maisUniversidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Engenharia Civil Introdução à Inferência Estatística - Prof a Eveliny
1 Itrodução Uiversidade Federal de Mato Grosso Probabilidade e Estatística - Curso: Egeharia Civil Itrodução à Iferêcia Estatística - Prof a Eveliy Vimos o iício do curso como resumir descritivamete variáveis
Leia maisIntrodução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ...
Itrodução Exemplos Para curar uma certa doeça existem quatro tratametos possíveis: A, B, C e D. Pretede-se saber se existem difereças sigificativas os tratametos o que diz respeito ao tempo ecessário para
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula II
Técicas Computacioais em Probabilidade e Estatística I Aula II Chag Chia MAE 5704- IME/USP º Sem/008 Algus modelos de iteresse prático: a Beroulli; Biomial; b Poisso; Geométrica; Hipergeométrica; c Uiforme;
Leia maisCARTA DE CONTROLE PARA MONITORAMENTO DE FRAÇÃO DE CONFORMES UTILIZANDO UM NOVO ESTIMADOR
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. CARTA DE CONTROLE PARA MONITORAMENTO DE FRAÇÃO DE CONFORMES UTILIZANDO UM NOVO ESTIMADOR Ruth Pereira Loureço (USP) ruth.p.loureco@gmail.com Lida Lee Ho
Leia maisMestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES. Sessão Prática 4: Amostragem
Mestrado Itegrado em Egeharia Civil Disciplia: TRNSPORTES Prof. Resposável: José Mauel Viegas Sessão Prática 4: mostragem Istituto Superior Técico / Mestrado Itegrado Egª Civil Trasportes ulas Práticas
Leia maisQuantificando os Fenômenos Biológicos
1 ECOSSISTEMA Os ecossistemas estão costituídos por comuidades. A comuidade é uma uidade ecológica de visualização meos clara a atureza que outros coceitos como o de idivíduo ou mesmo o de população, que
Leia maisContabilometria. Prof.: Patricia Maria Bortolon, D. Sc.
Cotabilometria Prof.: Patricia Maria Bortolo, D. Sc. Teste para Duas Amostras Fote: LEVINE, D. M.; STEPHAN, D. F.; KREHBIEL, T. C.; BERENSON, M. L.; Estatística Teoria e Aplicações, 5a. Edição, Editora
Leia maisPROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 2005
PROVA DE ESTATÍSTICA SELEÇÃO MESTRADO/UFMG 005 Istruções para a prova: a) Cada questão respodida corretamete vale um poto. b) Questões deixadas em braco valem zero potos (este caso marque todas alterativas).
Leia maisEstimação por Intervalo (Intervalos de Confiança):
Estimação por Itervalo (Itervalos de Cofiaça): 1) Itervalo de Cofiaça para a Média Populacioal: Muitas vezes, para obter-se a verdadeira média populacioal ão compesa fazer um levatameto a 100% da população
Leia maisUnidade IV Inferência estatística
//05 Uidade IV Iferêcia estatística 4.. Itrodução e histórico 4.. Coceitos fudametais 4.3. Distribuições amostrais e Teorema cetral do limite 4.4. Estimação de parâmetros 4.5. Testes de hipóteses 4.6.
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - 1o Ao 00 - a Fase Proposta de resolução GRUPO I 1. Como a probabilidade do João acertar em cada tetativa é 0,, a probabilidade do João acertar as tetativas é 0, 0, 0, 0,
Leia maisFundamentos de Estatística Aplicada. Módulo IV: Introdução à Inferência Estatística
Uiversidade Federal Flumiese Istituto de Matemática e Estatística Fudametos de Estatística Aplicada Módulo IV: Itrodução à Iferêcia Estatística Aa Maria Lima de Farias Departameto de Estatística Coteúdo
Leia maisS E Q U Ê N C I A S E L I M I T E S. Prof. Benito Frazão Pires. Uma sequência é uma lista ordenada de números
S E Q U Ê N C I A S E L I M I T E S Prof. Beito Frazão Pires Uma sequêcia é uma lista ordeada de úmeros a, a 2,..., a,... ) deomiados termos da sequêcia: a é o primeiro termo, a 2 é o segudo termo e assim
Leia mais