Modelagem espaço-temporal das notificações de leptospiroses em Salvador entre 1996 e 2006
|
|
- Mônica Barros Leal
- 6 Há anos
- Visualizações:
Transcrição
1 Fundação Oswaldo Cruz. Escola Nacional de Saúde Pública Projeto: Modelagem de doenças transmissíveis: contexto, clima e espaço Modelagem espaço-temporal das notificações de leptospiroses em Salvador entre 1996 e 2006 Romy Ravines Marcel Quintana Marilia Carvalho romy@fiocruz.br marcel@fiocruz.br carvalho@fiocruz.br 7 de novembro de Apresentação disponível no Wiki do LEG: -
2 Procc, 07/11/07 2/77 1 Introdução 2 Analise Mensal Dados epidemiológicos Especificação de Modelos Comparação de Modelos Modelos de Séries de Tempo Modelos de Regressão Análise de Componentes Principais Modelos de Regressão Univariados Modelos de Regressão Multivariados Sobre el DIC 3 Analise Semanal Dados epidemiológicos Modelos de Séries de Tempo Modelos de Regressão Univariados Modelos de Regressão Multivariados 4 Analise Espacial
3 Procc, 07/11/07 3/77 Introdução Dados
4 Procc, 07/11/07 4/77 Introdução Dados epidemiológicos Fonte: Estudo LVIGI Estudo de identificação de pacientes com leptospirose grave identificados no Hospital Couto Maia em Salvador-BA, do projeto Emerging Infectious Diseases and Urbanization (Fiocruz-Salvador & Universidade de Cornell/USA). Período: 20/03/1996 a 19/03/2006. Número de pacientes: 1766 (Banco gerado no dia 08/02/2007). Critérios de inclusão dos pacientes: (1) Residente em Salvador. (2) Identificado pela vigilância ativa no HCMaia. (3) Teve alta/obito com suspeita clinica de leptospirose. (4) Identificado no período de 20/03/1996 a 19/03/2006. Figura: Leptospirose Figura: Salvador (BA)
5 Procc, 07/11/07 5/77 Introdução Dados Climatológicos Fonte: Estação (Ondina): Convencional - Operante - INMET Localização: Latitude: 13 o 01 S Longitude: 38 o 31 W Altitude: 51,41metros Variáveis: Precipitação (mm), Temperatura Máxima ( o C), Temperatura Mínima ( o C) Umidade Relativa (%) Período: 16/03/ /03/2006 Freqüência: Diária. Figura: Precipitação mensal (mm)
6 Procc, 07/11/07 6/77 Introdução Notas - Tratamento dos dados Período analisado: 19/03/ /03/2006 = 121 meses: e 524 semanas epidemiológicas: Semana Epidemiológica: A função as.week() da biblioteca epitools do R não deu a SE correta para 1996 e 1997, o ano que lista é a do dia da metade da semana, logo não permite identificar bem os inícios e finais de ano, nem os anos com 53 semanas. Usamos uma função própria com base na data juliana e os calendários da OMS. Variáveis climatológicas utilizadas: (1) Precipitação (mm), (2) Temperatura Máxima ( o C), (3) Temperatura Mínima ( o C), (4) Número de Dias com Chuva, (5) Número de Dias com Precipitação > 5mm, (6) Número de Dias com Precipitação > 10mm e (7) Número de Dias com Precipitação > 15mm. Não utilizamos Umidade(%) porque a série exibe uma diminuição no final da série (pesquisando...) Dados Faltantes: Foram completados com os valores Normais do INMET. Testamos a opção na.gam.replace() da biblioteca gam, mas não pareceu ser uma boa opção para completar por SE. Duas análises: mensal e semanal. Considerou-se a data de internamento (sem considerar dias com sintomas). Procedimento de Inferência: Abordagem bayesiana. Métodos MCMC com o Winbugs (R2WinBUGS do R).
7 Procc, 07/11/07 7/77 Analise Mensal Análise I Casos Mensais de Leptospiroses em Salvador
8 Procc, 07/11/07 8/77 Analise Mensal Dados epidemiológicos Dados epidemiológicos Número de de leptospirose grave em Salvador entre março de 1996 e março de mês Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Figura: Time series Figura: Box-Plot
9 Procc, 07/11/07 9/77 Analise Mensal Dados epidemiológicos Distribuição dos dados epidemiológicos? Número de Casos Distribuição Poisson? Over-dispersion? Excesso de zeros? Density média = variância = Casos Figura: Casos mensais empírica Poisson(média) Poisson(variância)
10 Analise Mensal Dados epidemiológicos Algumas distribuições possíveis Poisson (POIS) Y t Poisson(λ t ) (1) Negative Binomial (NB : NB01, NB02) Y t Poisson(µ t ) Y t Poisson(λ t δ t ) (2a) µ t Gamma(τ,τ/λ t ) δ t Gamma(ɛ,ɛ) (2b) Zero Inflated Poisson (ZIP) Y t π t Poisson(Y t λ t ) + (1 π t ) Poisson(Y t = 0 λ t ) (3a) Zero Inflated Negative Binomial (ZINB) Y t π t Poisson(Y t λ t δ t ) + (1 π t ) Poisson(Y t = 0 δ t λ t ) δ t Gamma(ɛ,ɛ) (4a) (4b) Procc, 07/11/07 10/77
11 Procc, 07/11/07 11/77 Analise Mensal Dados epidemiológicos Algumas especificações possíveis First Order Model (FO) log(λ t ) = θ t (5a) θ t = θ t 1 + w t, ω t N(0,W) (5b) Second Order Model (SO) log(λ t ) = θ 1,t (6a) θ 1,t = θ 1,t 1 + θ 2,t 1 + w 1t, w 1t N(0,W 1 ) (6b) θ 2,t = θ 2,t 1 + w 2t, w 2t N(0,W 2 ) (6c) Regression Model (X) log(λ t ) = β 0 + βx t (7) Zero inflated Model (ZI) logit(π t ) = γ 0 + γz t (8)
12 Procc, 07/11/07 12/77 Analise Mensal Dados epidemiológicos Regressão Binomial Negativa Parametrização I ( y t NB τ, τ λ t + τ ) { y t Poisson(µ t ) µ t Gamma(τ, λ τ t ) τ Gamma(0.1,0.1) (10) log(λ t ) = β 0 + β 1 x t (11) (9) Parametrização II ( y t NB ɛ, ɛ ) { y t Poisson(λ t δ t ) λ t + ɛ δ t Gamma(ɛ,ɛ) (12) ɛ Gamma(0.1,0.1) (13) log(λ t ) = β 0 + β 1 x t (14)
13 Procc, 07/11/07 13/77 Analise Mensal Dados epidemiológicos Comparação de Modelos Deviance (DEV) Para uma verossimilhança p(y θ), o deviance é D(θ) = 2log(p(y θ)) D(θ) é uma medida de ajuste. Modelos mais complexos têm menor D. Deviance Information Criterion (DIC): Erro Quadrático Médio (EQM) Erro Absoluto Médio (EAM) AIC = 2logp(y ˆψ) + 2p ψ (falta!) BIC = 2logp(y ˆψ) + p ψ logn (falta!) DIC = D(θ) + pd = 2 D(θ) + D( θ) EQM = 1 N N (y i ŷ) 2 i=1 EAM = 1 N N y i ŷ i=1
14 Analise Mensal Modelos de Séries de Tempo Número de Casos: MODELOS DE SÉRIES DE TEMPO EQM EAM DEV DIC POIS FO NB01 FO NB02 FO ZIP FO ZINB FO POIS SO NB01 SO NB02 SO ZIP SO ZINB SO Procc, 07/11/07 14/77
15 Procc, 07/11/07 15/77 Analise Mensal Modelos de Séries de Tempo Modelo de Série de Tempo Selecionado Figura: Poisson Second Order Model: valores replicados, ŷ.
16 θ θ Procc, 07/11/07 16/77 θ Analise Mensal Modelos de Séries de Tempo Modelos de Primeira Ordem (a)pois-fo (b)nb01-fo (c)nb02-fo Figura: First Order Model: valores replicados, ŷ, e nível, θ t.
17 θ θ θ θ Procc, 07/11/07 17/77 θ θ Analise Mensal Modelos de Séries de Tempo Modelos de Segunda Ordem (a)pois-so (b)nb01-so (c)nb02-so Figura: Second Order Model: valores replicados, ŷ, nível, θ 1t, e crescimento, θ 2t
18 Procc, 07/11/07 18/77 Analise Mensal Modelos de Séries de Tempo Comentários Os modelos de primeira ordem não são adequados. A tendência obtida exibe uma componente sazonal (cíclica). Os modelos de segunda ordem são melhores. Permitem representar melhor a tendência da série. Contudo, o parâmetro de crescimento fica não significativo. Falta testar a inclusão de uma componente sazonal. Vamos representar a sazonalidade com alguma variável climatológica. Os resultados são sensíveis à parametrização da distribuição binomial negativa utilizada.
19 Analise Mensal Modelos de Regressão Dados Climatológicos mm Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec (a)time series (b)box-plot Figura: Precipitação nro.dias nro.dias Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec (a)time series (b)box-plot Procc, 07/11/07 Figura: Número de Dias com Chuva 19/
20 Analise Mensal Modelos de Regressão Variáveis climatológicas nro.dias (a)time series Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec nro.dias (b)box-plot Figura: Dias com precipitação >10 nro.dias (a)time series Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec nro.dias (b)box-plot Figura: Dias com precipitação >15 Procc, 07/11/07 20/77
21 Analise Mensal Modelos de Regressão Variáveis climatológicas C C Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec (a)time series (b)box-plot Figura: Temperatura Máxima C C Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec (a)time series (b)box-plot Procc, 07/11/07 Figura: Temperatura Mínima 21/77
22 Analise Mensal Modelos de Regressão Clima: Componentes Principais Objetivo da Análise de Componentes Principais Transformar um conjunto de p-variáveis X 1,X 2,...,X p noutro de mesma dimensão,z 1,Z 2,...,Z p, mas com componentes ortogonais - não correlacionadas, representando diferentes dimensões nos dados. Z i = a i1 X 1 + a i2 X 2 + a ip X p Z 1,Z 2,...,Z p são obtidas com as condições de que: Var(Z 1 ) > Var(Z 2 ) > > Var(Z p ) Z i Z j i,j Espera-se que poucas componentes principais expliquem uma grande parcela da variabilidade total. Se as variáveis originais forem fortemente correlacionadas, então temos, em geral, uma expressiva redução da dimensionalidade. Por exemplo, podemos ter p = 30 variáveis originais expressas por apenas 2 ou 3 componentes. Procc, 07/11/07 22/77
23 Procc, 07/11/07 23/77 Analise Mensal Modelos de Regressão Procedimento de Componentes Principais Os principais passos para se obter as componentes principais são: 1 Padronizar as variáveis X 1,X 2,...,X p ; 2 Calcular C - a matriz de correlação; 3 Determinar λ 1,λ 2,...,λ p - os autovalores de C - e obter os correspondentes autovetores; e 4 Descartar as componentes que expliquem pequenas proporções da variação dos dados. Função princomp do R
24 Procc, 07/11/07 24/77 Analise Mensal Modelos de Regressão Notação: variáveis Label Descrição PLUV Precipitação (mm) DCHUVA Nro. de dias com chuva PLUV05 Nro. de dias com PLUV 5 PLUV10 Nro. de dias com PLUV 10 PLUV15 Nro. de dias com PLUV 15 TMAX Temperatura máxima TMIN Temperatura mínima IB1 Índice de Clima 1 IB2 Índice de Clima 2
25 Procc, 07/11/07 25/77 Analise Mensal Modelos de Regressão Clima: Componentes Principais (a)screeplot Comp Figura: Índice de Clima DCHUVA LUV LUV PLUV TMAX TMIN Comp.1 (b)biplot
26 Analise Mensal Modelos de Regressão Clima: Componentes Principais Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec (a)time series (b)box-plot Figura: Índice de Clima (a)time series Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec (b)box-plot Procc, 07/11/07 Figura: Índice de Clima 2 26/77
27 Analise Mensal Modelos de Regressão Clima: Componentes Principais Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec (a)time series (b)box-plot Figura: Índice de Clima (a)time series Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec (b)box-plot Procc, 07/11/07 Figura: Índice de Clima 4 27/77
28 Procc, 07/11/07 28/77 Analise Mensal Modelos de Regressão Clima: Componentes Principais Correlações PLUV DCHUVA PLUV05 PLUV10 PLUV15 TMAX TMIN PLUV 1 DCHUVA PLUV PLUV PLUV TMAX TMIN Loadings Comp.1 Comp.2 Comp.3 Comp.4 PLUV DCHUVA PLUV PLUV PLUV TMAX TMIN Comp.1 Comp.2 Comp.3 Comp.4 Standard deviation Proportion of Variance Cumulative Proportion
29 Figura: Comparação de Modelos de Regressão Poisson Procc, 07/11/07 29/77 Analise Mensal Modelos de Regressão Univariados MODELOS DE REGRESSÃO POISSON UNIVARIADOS
30 Figura: Comparação de Modelos de Regressão Binomial Negativa Procc, 07/11/07 30/77 Analise Mensal Modelos de Regressão Univariados MODELOS DE REGRESSÃO BINOMIAL NEGATIVA UNIVARIADOS
31 Procc, 07/11/07 31/77 Analise Mensal Modelos de Regressão Univariados Comparação de Modelos Univariados POISSON BINOMIAL NEGATIVA EQM EAM EQM EAM LAG0 LAG1 LAG2 LAG0 LAG1 LAG2 LAG0 LAG1 LAG2 LAG0 LAG1 LAG2 PLUV DCHUVA PLUV PLUV PLUV TMAX TMIN IB IB DEV DIC DEV DIC PLUV DCHUVA PLUV PLUV PLUV TMAX TMIN IB IB Os modelos com Binomial Negativa são melhores que modelos Poisson. Com a distribuição Poisson, os melhores modelos são de 0 ou 1 defassagens. Com a distribuição Binomial Negativa, os melhores modelos são os de 2 defassagens. Não se identifica uma melhor covariável. IB1 parece ser adequada. Alguns problemas no processo de inferência com TMAX e TMIN. Foram testados modelos univariados com intercepto aleatório.
32 Analise Mensal Modelos de Regressão Univariados (log)número de : Relação com Clima precipitação nro de dias com chuva precipitação >= 5mm precipitação >= 10mm precipitação >= 15mm temperatura máxima temperatura mínima Indice Clima Procc, 07/11/07 32/ Indice Clima
33 Analise Mensal Modelos de Regressão Univariados (log)número de : Relação com Clima PLUV PLUV TMAX IB Lag Lag Lag 2 Procc, 07/11/07 33/77 PLUV PLUV PLUV15 PLUV TMAX TMAX IB1 IB
34 Analise Mensal Modelos de Regressão Multivariados Modelos Multivariados: várias defassagens mean 2.5% 50% 97.5% Rhat mean 2.5% 50% 97.5% Rhat PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV DCHUVA PLUV DCHUVA PLUV DCHUVA PLUV DCHUVA PLUV DCHUVA PLUV DCHUVA IB DCHUVA IB DCHUVA IB DCHUVA IB DCHUVA IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB PLUV IB Procc, PLUV10 07/11/ IB /77
35 Procc, 07/11/07 35/77 Analise Mensal Modelos de Regressão Multivariados DIC para modelos com várias defassagens D PLUV DCHUVA PLUV05 PLUV10 PLUV15 IB1 IB2 PLUV DCHUVA PLUV05 PLUV10 PLUV15 IB1 IB2 até lag até lag até lag pd pv até lag até lag até lag DIC DICb até lag até lag até lag
36 Procc, 07/11/07 36/77 Analise Mensal Modelos de Regressão Multivariados Sobre el DIC Deviance Information Criterion, DIC = goodness of fit + complexity Ajuste = Deviance: D(θ) = 2logp(data θ) Complexidade = effective number of parameters Logo, pd = D(θ) D( θ) DIC = D + pd Com priori vaga: D(θ) D( θ) + χ 2 I. Então, pv : alternativa ao pd : Novo DIC: E[D(θ)] D(θ) + I(pD I) e Var(D(θ)) 2I. pv = 1/2Var(D(θ)) DIC = D + pv
37 Procc, 07/11/07 37/77 Analise Mensal Modelos de Regressão Multivariados Modelos multivariados: várias variáveis mean 2.5% 50% 97.5% Rhat A PLUV DCHUVA PLUV PLUV PLUV TMAX TMIN B IB IB IB IB C PLUV PLUV TMAX As variáveis do modelo A tiveram que ser centralizadas. As variáveis do modelo B estão na sua escala original. Falta testar a inclusão de variáveis defassadas.
38 Procc, 07/11/07 38/77 Analise Mensal Modelos de Regressão Multivariados Modelos multivariados: abordagem hierárquica Tabela: Bloco I mean 2.5% 50% 97.5% Rhat DCHUVA DCHUVA PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV PLUV Tabela: Bloco II mean 2.5% 50% 97.5% Rhat TMAX TMAX TMIN TMIN TMAX TMIN TMAX TMIN Tabela: Bloco III mean 2.5% 50% 97.5% Rhat IB IB IB IB IB IB IB IB IB IB IB IB IB IB IB IB IB
39 Procc, 07/11/07 39/77 Analise Mensal Modelos de Regressão Multivariados Modelos multivariados: abordagem hierárquica Tabela: Bloco I+II+III mean 2.5% 50% 97.5% Rhat PLUV PLUV PLUV TMAX TMIN PLUV PLUV PLUV IB PLUV PLUV TMAX TMIN PLUV TMAX PLUV PLUV TMAX Tabela: DICs D D( θ) pd DIC pv DICb Bloco I M M M Bloco II M M M Bloco III M M M M M M Bloco I+II+III M M M M M
40 Figura: Valores replicados com modelo M16 Procc, 07/11/07 40/77 Analise Mensal Modelos de Regressão Multivariados Modelo selecionado
41 Procc, 07/11/07 41/77 Analise Mensal Modelos de Regressão Multivariados Modelo selecionado (a)δ t = µ t /λ t Density Density PLUV β Density Density (b)parâmetros fixos TMAX τ
42 Procc, 07/11/07 42/77 Analise Semanal Análise II Casos Semanais de Leptospiroses em Salvador
43 Analise Semanal Dados epidemiológicos Dados epidemiológicos Número de de leptospirose grave em Salvador entre março de 1996 e março de 2006, por semana epidemiológica SE Procc, 07/11/07 43/77
44 Procc, 07/11/07 44/77 Analise Semanal Dados epidemiológicos Distribuição dos dados epidemiológicos? Número de Casos Distribuição Poisson? Over-dispersion? Excesso de zeros? Density média = variância = Casos Figura: Casos semanais empírica Poisson(média) Poisson(variância)
45 EQM EAM DEVIANCE DIC POIS FO NB01 FO NB02 FO ZIP FO ZINB01 FO POIS SO NB01 SO NB02 SO ZIP SO ZINB01 SO Procc, ZINB02 07/11/07 SO /77 Analise Semanal Modelos de Séries de Tempo Número de Casos: MODELOS DE SÉRIES DE TEMPO
46 Procc, 07/11/07 46/77 Analise Semanal Modelos de Séries de Tempo Modelo de Série de Tempo Selecionado Figura: Poisson Second Order Model: valores replicados, ŷ.
47 Procc, 07/11/07 47/77 Analise Semanal Modelos de Séries de Tempo Modelo de Série de Tempo Selecionado θ θ (a)nível (b)crescimento Figura: Poisson Second Order Model: nível, θ 1 e crescimento θ 2.
48 Procc, 07/11/07 48/77 Analise Semanal Modelos de Séries de Tempo Modelo de Série de Tempo Figura: Negative Binomial Second Order Model: valores replicados, ŷ.
49 Procc, 07/11/07 49/77 Analise Semanal Modelos de Séries de Tempo Modelo de Série de Tempo θ θ (a)nível (b)crescimento Figura: Negative Binomial Second Order Model: nível, θ 1 e crescimento θ 2.
50 Procc, 07/11/07 50/77 Analise Semanal Modelos de Séries de Tempo Comentários Os modelos de primeira ordem têm menores valores DIC. A tendência obtida exibe uma componente sazonal (cíclica). Os modelos de segunda ordem têm menores EAM. Falta testar a inclusão de uma componente sazonal. Vamos representar a sazonalidade com alguma variável climatológica. Os resultados são sensíveis à parametrização da distribuição binomial negativa utilizada.
51 Analise Semanal Modelos de Regressão Univariados Clima: Variáveis climatológicas mm (a)time series (b)box-plot Figura: Precipitação nro.dias (a)time series nro.dias (b)box-plot Figura: Número de Dias com Chuva Procc, 07/11/07 51/77
52 Analise Semanal Modelos de Regressão Univariados Clima: Variáveis climatológicas nro.dias (a)time series nro.dias (b)box-plot Figura: Dias com precipitação >10 nro.dias (a)time series nro.dias (b)box-plot Figura: Dias com precipitação >15 Procc, 07/11/07 52/77
53 Analise Semanal Modelos de Regressão Univariados Clima: Variáveis climatológicas C (a)time series C (b)box-plot Figura: Temperatura Máxima C (a)time series C (b)box-plot Figura: Temperatura Mínima Procc, 07/11/07 53/77
54 Procc, 07/11/07 54/77 Analise Semanal Modelos de Regressão Univariados Clima: Componentes Principais Correlações PLUV DCHUVA PLUV05 PLUV10 PLUV15 TMAX TMIN PLUV 1 DCHUVA PLUV PLUV PLUV TMAX TMIN Loadings Comp.1 Comp.2 Comp.3 Comp.4 PLUV DCHUVA PLUV PLUV PLUV TMAX TMIN Importance: Comp.1 Comp.2 Comp.3 Comp.4 Standard deviation Proportion of Variance Cumulative Proportion
55 Procc, 07/11/07 55/77 Analise Semanal Modelos de Regressão Univariados Clima: Componentes Principais (a)screeplot Comp DCHUVA PLUV PLUV PLUV TMAX TMIN 473 Figura: Índice de Clima Comp.1 (b)biplot
56 Analise Semanal Modelos de Regressão Univariados Clima: Componentes Principais (a)time series (b)box-plot Figura: Índice de Clima (a)time series (b)box-plot Figura: Índice de Clima 2 Procc, 07/11/07 56/77
57 Analise Semanal Modelos de Regressão Univariados Clima: Componentes Principais (a)time series (b)box-plot Figura: Índice de Clima (a)time series (b)box-plot Figura: Índice de Clima 4 Procc, 07/11/07 57/77
58 Procc, 07/11/07 58/77 Analise Semanal Modelos de Regressão Univariados Número de : MODELOS DE REGRESSÃO POISSON UNIVARIADOS
59 Procc, 07/11/07 59/77 Analise Semanal Modelos de Regressão Univariados Número de : MODELOS DE REGRESSÃO BINOMIAL NEGATIVA UNIVARIADOS
60 Procc, 07/11/07 60/77 Analise Semanal Modelos de Regressão Univariados Comparação de Modelos Univariados Poisson Binomial Negativa EQM EAM EQM EAM LAG0 LAG0 LAG0 LAG1 LAG2 LAG3 LAG0 LAG1 LAG2 LAG3 PLUV DCHUVA PLUV PLUV PLUV TMAX TMIN IB IB DEV DIC DEV DIC LAG0 LAG0 LAG0 LAG1 LAG2 LAG3 LAG0 LAG1 LAG2 LAG3 PLUV DCHUVA PLUV PLUV PLUV TMAX TMIN IB IB Os modelos com Binomial Negativa são melhores que modelos Poisson. Com a distribuição Binomial Negativa, os melhores modelos são os de 2 defassagens. As melhores covariáveis são PLUV e IB2. Alguns problemas no processo de inferência com TMAX e TMIN.
61 Procc, 07/11/07 61/77 Analise Semanal Modelos de Regressão Univariados (log)número de : Relação com Clima PLUV DCHUVA PLUV mês PLUV mês PLUV mês TMAX mês TMIN mês IB mês IB2 mês mês mês
62 Analise Semanal Modelos de Regressão Univariados (log)número de : Relação com Clima Lag PLUV PLUV TMAX IB1 Lag PLUV PLUV TMAX IB1 Lag PLUV PLUV TMAX IB1 Procc, 07/11/07 62/77
63 Procc, 07/11/07 63/77 Analise Semanal Modelos de Regressão Multivariados Modelos Multivariados: várias defassagens mean 2.5% 50% 97.5% Rhat IB IB PLUV PLUV PLUV PLUV IB IB IB PLUV PLUV PLUV PLUV PLUV PLUV Todos os parâmetros são significativos. Testar mais defassagens.
64 Procc, 07/11/07 64/77 Analise Semanal Modelos de Regressão Multivariados DIC para modelos com várias defassagens D PLUV PLUV05 IB1 PLUV PLUV05 IB1 até lag até lag pd pv até lag até lag DIC DICb até lag até lag
65 Procc, 07/11/07 65/77 Analise Semanal Modelos de Regressão Multivariados Modelo selecionado Figura: Valores replicados com modelo Binomial Negativos, com IB1(0), IB1( 1) e (IB2( 2)).
66 Figura: Efeixos Fixos no modelo Binomial Negativos, com IB1(0), IB1( 1) e (IB2( 2)). Procc, 07/11/07 66/77 Analise Semanal Modelos de Regressão Multivariados Modelo selecionado Density τ Density β Density β 2 Density β
67 Procc, 07/11/07 67/77 Analise Semanal Modelos de Regressão Multivariados Comparação de Deviances deviance modelos Figura: Amostras dos deviance dos modelos com várias defassagens
68 Procc, 07/11/07 68/77 Analise Espacial Análise Espacial Dados Sócio-econômicos por Setor Censitário
69 Procc, 07/11/07 69/77 Analise Espacial Regionalização de áreas: o Skater Objetivo: Agrupar áreas menores (municípios, barrios, setores) em áreas maiores, que além de serem contíguas, tenham também semelhança segundo os atributos associados. O método SKATER Análise de conglomerados que leva em conta a localização espacial dos objetos. Trata-se de uma situação em que temos um mapa particionado em áreas, cada uma delas com uma posição geográfica determinada, e desejamos que áreas com características semelhantes pertençam ao mesmo conglomerado espacial. Estas características são dadas pelas variáveis medidas O método Skater está implementado en el Terraview.
70 Procc, 07/11/07 70/77 Analise Espacial Regionalização de áreas: o Skater
71 Analise Espacial Variáveis disponíveis Características dos setores censitários: Censo Domicílio % dpp com abastecimento de água da rede geral % dpp com abastecimento de água de poço ou nascente (na propriedade) % dpp com abastecimento de água de outra forma (nem rede geral nem poço ou nascente) % dpp com banheiro ou sanitário % dpp sem banheiro ou sanitário % dpp com banheiro ou sanitário - esgotamento sanitário - rede geral de esgoto ou pluvial % dpp com banheiro ou sanitário - esgotamento sanitário - fossa séptica ou rudimentar % dpp com banheiro ou sanitário - esgotamento sanitário - vala, rio, lago, mar ou outro % dpp com destino do lixo coletado Chefe % dpp com mulheres responsáveis (chefas) % dpp com homens responsáveis (chefes) % dpp com pessoas responsáveis alfabetizadas % dpp com homens responsáveis alfabetizados % dpp com mulheres responsáveis alfabetizadas % dpp com pessoas responsáveis não alfabetizadas % dpp com homens responsáveis não alfabetizados % dpp com mulheres responsáveis não alfabetizadas % dpp com pessoas responsáveis com até 1 ano de estudo % dpp com homens responsáveis com até 1 ano de estudo % dpp com mulheres responsáveis com até 1 ano de estudo % dpp com pessoas responsáveis com até 1 salário mínimo Anos de estudo da pessoas responsáveis pelos domicílios particulares permanentes Rendimento nominal mensal das pessoas responsáveis pelos dpp Residentes Pessoas residentes nos dpp Homens residentes nos dpp Mulheres residentes nos dpp % de mulheres residentes nos dpp % de pessoas residentes com até 5 anos de idade % de pessoas residentes com até 4 anos de idade % de pessoas residentes alfabetizadas % de pessoas residentes não alfabetizadas dpp=domicílios particulares permanentes Procc, 07/11/07 71/77
72 Procc, 07/11/07 72/77 Analise Espacial Regionalização de áreas
73 Procc, 07/11/07 73/77 Analise Espacial Regionalização de áreas
74 Procc, 07/11/07 74/77 Analise Espacial Regionalização de áreas
75 Procc, 07/11/07 75/77 Analise Espacial Regionalização de áreas: o Skater Figura: Skater no Terraview: todas as variáveis
76 Procc, 07/11/07 76/77 Analise Espacial Regionalização de áreas: o Skater Figura: Skater no Terraview: somente variáveis sobre domicílio
77 Procc, 07/11/07 77/77 Analise Espacial Regionalização de áreas - Número de setores em cada cluster - Cluster Nro Setores Cluster Nro Setores Cluster Nro Setores Cluster Nro Setores
Modelagem temporal das notificações de leptospiroses em Salvador entre 1996 e 2006
Fundação Oswaldo Cruz. Escola Nacional de Saúde Pública Projeto: Modelagem de doenças transmissíveis: contexto, clima e espaço Modelagem temporal das notificações de leptospiroses em Salvador entre 1996
Leia maisModelagem espaço-temporal das notificações de leptospirose em Salvador entre 1996 e 2006
Fundação Oswaldo Cruz. Escola Nacional de Saúde Pública Projeto: Modelagem de doenças transmissíveis: contexto, clima e espaço Modelagem espaço-temporal das notificações de leptospirose em Salvador entre
Leia maisVariáveis e Produtos Climáticos de Interesse para o Setor Saúde
Programa de Mudanças Ambientais Globais e Saúde Fundação Oswaldo Cruz Rio de Janeiro Variáveis e Produtos Climáticos de Interesse para o Setor Saúde Ulisses E. C. Confalonieri FLUTUAÇÕES CLIMÁTICAS Abundância
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Áreas
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Áreas Áreas Na análise de áreas o atributo estudado é em geral resultando de uma contagem ou um
Leia maisAPLICABILIDADE DE MODELOS DE GERAÇÃO DE VAZÕES SAZONAIS APRESENTANDO DEPENDÊNCIA DE LONGO TERMO
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AMBIENTAL CENTRO TECNOLÓGICO UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO APLICABILIDADE DE MODELOS DE GERAÇÃO DE VAZÕES SAZONAIS APRESENTANDO DEPENDÊNCIA DE LONGO TERMO
Leia maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia 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 mais3a CONFERÊNCIA MUNICIPAL DE HABITAÇÃO Londrina 14 e 15/12/2012
3a CONFERÊNCIA MUNICIPAL DE HABITAÇÃO Londrina 14 e 15/12/2012 Município de Londrina no site do IBGE Dados Estatísticos Londrina Urbana no site do IBGE Imagem de Satélite Londrina no site do IBGE Dados
Leia maisModelação da abundância de Culex pipiens em Portugal
Modelação da abundância de Culex pipiens em Portugal Marília Antunes (1, a) Patrícia de Zea Bermudez (1, b) M a da Conceição Proença (2,a) M a Teresa Rebelo (3,a) M a João Alves, Hugo Osório e equipa REVIVE
Leia maisSistema de Modelagem Estocástica para Previsão Climática Sazonal
Sistema de Modelagem Estocástica para Previsão Climática Sazonal Prof. Paulo Sergio Lucio Prof. David Mendes Programa de Pós-graduação em Ciências Climáticas PPGCC Bacharelado em Meteorologia BM Universidade
Leia maisO Jardim Canadá no IBGE
O Jardim Canadá no IBGE Apps > Mapa > Municípios Nova Lima ( código 3144805) Pirâmide Etária Famílias Fecundidade Migração Religião Nupcialidade Domicílios Educação Deficiência Trabalho Rendimento Nova
Leia maisO uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros
O uso dos modelo ZIP, ZINB e Hurdle Model para dados de contagem com excessos de zeros Eriton Barros dos Santos 1 Sílvia Maria de Freitas 2 1 Introdução Dados de contagem são comuns em diversas áreas.
Leia maisIntrodução ao TerraView
Martin Handford, Where s Wally? População, Espaço e Ambiente Abordagens Espaciais em Estudos de População: Métodos Analíticos e Técnicas de Representação Introdução ao TerraView Flávia Feitosa (organização)
Leia maisModelos para dados de contagem
O modelo de Poisson Sumário 1 Introdução 2 Regressão de Poisson Taxa de Incidência Inclusão de covariáveis Interpretação dos parâmetros 3 Exemplos 4 Superdispersão Dados de Contagem Podemos estar interessados
Leia maisUso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN
Uso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN Ben Dêivide de Oliveira Batista 1 2 Tales Jesus Fernandes 2 Thelma Sáfadi 2 Wesley de Oliveira Santos 3 1 Introdução
Leia mais29 e 30 de julho de 2013
Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 2 - Conteúdo 1 2 3 Dados multivariados Estrutura: n observações tomadas de p variáveis resposta.
Leia maisComparação de Modelos Bayesianos na Análise de Dados de Contagem de CD4. Emílio A. C. Barros Jorge Alberto Achcar
Comparação de Modelos Bayesianos na Análise de Dados de Contagem de CD4 Emílio A. C. Barros Jorge Alberto Achcar Faculdade de Medicina de Ribeirão Preto-USP Introdução Dados longitudinais de Contagem na
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo; Valores mansais de temperatura
Leia maisElisângela Ap. da Silva Lizzi
Elisângela Ap. da Silva Lizzi RESENHA DO ARTIGO "Gravidez na adolescência e características socioeconômicas dos municípios do Estado de São Paulo, Brasil: análise espacial" O artigo trata de um problema
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Métodos Estatísticos Avançados em Epidemiologia Modelo de Poisson e Análise de Dados Longitudinais Enrico A. Colosimo Departamento de Estatística Universidade Federal de Minas Gerais http://www.est.ufmg.br/
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
Leia maisAnálise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica
1/41 Análise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Revisão para Dados Transversais 1 Características Informações amostrais
Leia maisAnálise conjunta de dados longitudinais e de sobrevivência: Abordagem Bayesiana
Análise conjunta de dados longitudinais e de sobrevivência: Abordagem Bayesiana Rui Martins, Valeska Andreozzi e Giovani Silva Ericeira, 2010 Índice 1 Introdução Análise conjunta de Dados Longitudinais
Leia maisANÁLISE DE SÉRIES TEMPORAIS
1 Definição e representação ANÁLISE DE SÉRIES TEMPORAIS Uma série temporal é um conjunto de observações tomadas em intervalos de tempo comumente iguais (ano a ano, mês a mês, semana a semana, etc.). Exemplos:
Leia maisCONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Leia maisNúmero 13. Pnad Primeiras Análises. Saneamento Básico Habitação. Volume 5
Número 13 Pnad 2007 Primeiras Análises Saneamento Básico Habitação Volume 5 21 de outubro de 2008 1 2 3 1 4 Total e percentual de moradores em domicílios particulares permanentes com abastecimento de água,
Leia maisAvaliação climatológica da cidade de Uberlândia por meio da Análise de Componentes Principais
Avaliação climatológica da cidade de Uberlândia por meio da Análise de Componentes Principais Bruna Queiroz de Melo Prado 1 Heverton Rodrigues Fernandes 2 Tatiane Gomes Araújo 3 Nádia Giarette Biase 4
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 maisModelo Linear Generalizado Distribuição de Poisson
Valeska Andreozzi 1 Modelo Linear Generalizado Distribuição de Poisson Problema 1 O objetivo desta aula é exemplificar a modelagem de dados de contagem. Vamos ilustrar como os modelos lineares generalizados
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 maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisESTUDO DE VARIABILIDADE DAS PRECIPITAÇÕES EM RELAÇÃO COM O EL NIÑO OSCILAÇÃO SUL (ENOS) EM ERECHIM/RS, BRASIL.
ESTUDO DE VARIABILIDADE DAS PRECIPITAÇÕES EM RELAÇÃO COM O EL NIÑO OSCILAÇÃO SUL (ENOS) EM ERECHIM/RS, BRASIL. Josué Vicente Gregio 1 jvgregio@gmail.com Fabio de Oliveira Sanches 2 fsanches@uffs.edu.br
Leia maisMestrado Profissional em Administração. Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 2015
Mestrado Profissional em Administração Disciplina: Análise Multivariada Professor: Hedibert Freitas Lopes 1º trimestre de 015 Decomposição Espectral Autovalores e autovetores MANLY, Cap. Objetivo e Definição
Leia maisDeteção de Valores Influentes e Outliers em Modelos de Volatilidade Estocástica
Deteção de Valores Influentes e Outliers em Modelos de Volatilidade Estocástica Luiz Koodi Hotta Anderson Carlos O. Motta Departamento de Estatística IMECC - UNICAMP hotta@ime.unicamp.br I Workshop de
Leia maisExtensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem
Extensões e Aplicações do Modelo de Regressão Conway-Maxwell-Poisson para Modelagem de Dados de Contagem Eduardo Elias Ribeiro Junior Orientação: Prof. Dr. Walmes Marques Zeviani Trabalho de Conclusão
Leia maisRegressão de Poisson e parentes próximos
Janeiro 2012 Família Exponencial Seja Y uma variável aleatória. A distribuição de probabilidade de Y pertence à família exponencial se a sua função densidade de probabilidade é da forma ( ) yθ b(θ) f (y
Leia maisRegiões Vitivinícolas Brasileiras e Alternativas de Produção
Regiões Vitivinícolas Brasileiras e Alternativas de Produção Umberto Almeida Camargo Vino Vitis Consultoria Ltda umberto.camargo@gmail.com Fone: (54) 3451-3512 3512 / (54)9191-7129 REGIÕES ES VITÍCOLAS
Leia maisModelo Bayesiano Para Análise de Vazios Urbanos. Humberto Emmanuel Schmidt Oliveira Aparecida D. P. Souza Nilton Nobuhiro Imai FCT/UNESP
Modelo Bayesiano Para Análise de Vazios Urbanos Humberto Emmanuel Schmidt Oliveira Aparecida D. P. Souza Nilton Nobuhiro Imai FCT/UNESP O Problema Planejamento Urbano Municipal (breve histórico) - Plano
Leia maisν ν α α π θ θ δ α α α + + α + α α + α + φ Γ φ θ θ θφ Γ δ = α ν α α ν + ν ν + ν + ν + δ + ν ν + δ + + + + + δ + + ν ν + + ν + + + ν ν ν + + ν + ν + = θ β β + Γ δ Γ δ β µ µ µµ µ µ µ µ α ν α µ
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisModelo fatorial espacial dinâmico para dados pertencentes à família exponencial
Modelo fatorial espacial dinâmico para dados pertencentes à família exponencial Esther Salazar esalazar@dme.ufrj.br Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro 18 o SINAPE
Leia maisPRECIPITAÇÕES PROJETADAS PELOS MODELOS CLIMÁTICOS GLOBAIS DO QUARTO RELATÓRIO DO IPCC PARA O NORDESTE BRASILEIRO *
PRECIPITAÇÕES PROJETADAS PELOS MODELOS CLIMÁTICOS GLOBAIS DO QUARTO RELATÓRIO DO IPCC PARA O NORDESTE BRASILEIRO * EMÍLIA HAMADA 1, ALINE DE HOLANDA NUNES MAIA 1, MARÍLIA CAMPOS THOMAZ 2 1 Pesquisador,
Leia maisAnálise situacional a partir da utilização de dados secundários. 12 de dezembro de 2016
Análise situacional a partir da utilização de dados secundários 12 de dezembro de 2016 O saneamento rural em números De acordo com o IBGE o Brasil possui uma população de cerca de 29.800.000 habitantes,
Leia mais1 z 1 1 z 2. Z =. 1 z n
Gabarito Lista 3. Tópicos de Regressão. 2016-2. 1. Temos que y i ind N (µ, φi ), com log φ i = α + γz i, para i = 1,..., n, portanto (i) para o γ = (α, γ) a matriz modelo ca Z = 1 z 1 1 z 2.. 1 z n (ii)
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 maisCHUVAS EM Campo Grande MATO GROSSO DO SUL. NOVEMBRO e DEZEMBRO/2015 JANEIRO e FEVEREIRO/2016
CHUVAS EM Campo Grande MATO GROSSO DO SUL NOVEMBRO e DEZEMBRO/2015 JANEIRO e FEVEREIRO/2016 1. DESCRIÇÃO DOS DADOS Os dados desse documento são da Estação Meteorológica Automática EMA -, do Instituto Nacional
Leia maisAlguns Aspectos Espaciais da Modelagem de Observações Provenientes das Áreas de SaúdeedoMeioAmbiente
Alguns Aspectos Espaciais da Modelagem de Observações Provenientes das Áreas de SaúdeedoMeioAmbiente Alexandra Mello Schmidt DME - IM - UFRJ Homepage: www.dme.ufrj.br/ alex Seminário Qualidade do Ar e
Leia maisAnálise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações
Análise Fatorial e Componentes Principais Aplicadas na Engenharia de Avaliações Diogo de Carvalho Bezerra Universidade Federal de Pernambuco Núcleo de Gestão e-mail:dicbezerra@hotmail.com SOBREA Sociedade
Leia maisModelagem de dados espaciais
VI Simpósio da Sociedade Brasileira de Engenharia de Avaliações Modelagem de dados espaciais José Luiz Portugal UFPE joseluiz.portugal@gmail.com Objetivos Contextualizar modelos de dados espaciais Compreender
Leia maisRicardo Sandes Ehlers
SELEÇÃO BAYESIANA DE MODELOS Ricardo Sandes Ehlers Departamento de Estatística Universidade Federal do Paraná http://www.est.ufpr.br/ ehlers ehlers@est.ufpr.br RBRAS/SEABRO, Julho 2005 Alguns Exemplos
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisExemplos Equações de Estimação Generalizadas
Exemplos Equações de Estimação Generalizadas Bruno R. dos Santos e Gilberto A. Paula Departamento de Estatística Universidade de São Paulo, Brasil giapaula@ime.usp.br Modelos Lineares Generalizados dos
Leia maisRelatório de análise estatística Bairro : Dois Irmãos Recife/PE
Relatório de análise estatística Bairro : Dois Irmãos Recife/PE 1 INTRODUÇÃO O objetivo deste relatório é determinar fatores de risco e proteção para a ocorrência de ovos do mosquito Aedes aegypti para
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia mais(VERSÃO ORIGINAL COM EXCLUSÃO DE NOMES E IMAGENS DE PESSOAS)
(VERSÃO ORIGINAL COM EXCLUSÃO DE NOMES E IMAGENS DE PESSOAS) Descrição do Indicador de Índice de Desenvolvimento Humano dos municípios da Área de Influência Direta da UHE Belo Monte (por ponderada da região)
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisSéries Temporais. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Séries Temporais Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução O que é uma série temporal? O que é a análise de uma série temporal?
Leia maisSéries Temporais. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Séries Temporais Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução O que é uma série temporal? O que é a análise de uma série temporal?
Leia maisSuavização de taxas com modelos espaciais
Universidade Federal do Paraná 22 de julho de 2014 1 Estatística espacial e dados de área; 1 Estatística espacial e dados de área; 2 Vizinhança e matriz de pesos; 1 Estatística espacial e dados de área;
Leia mais6 Estimação da CPNK para o Brasil
6 Estimação da CPNK para o Brasil Nesta seção apresentaremos estimativas dos parâmetros do modelo tanto em forma reduzida como em forma estrutural. Primeiramente, utilizaremos a hipótese de que o Brasil
Leia maisAcesse as apresentações e vídeos do evento em:
Acesse as apresentações e vídeos do evento em: www.ggp.uerj.br. Iniciativas e desafios da integração das políticas públicas e ações técnicas: Geotecnologias como ferramenta para Saúde Renata Gracie gracie.renata@gmail.com
Leia maisMINI - CURSO. LEG: Laboratório de Estatística e Geoinformação/UFPR. Métodos computacionais e inferência estatística. Equipe LEG :
MINI - CURSO Métodos computacionais e inferência estatística LEG: Laboratório de Estatística e Geoinformação/UFPR Equipe LEG : Paulo Justiniano Ribeiro Jr Wagner Hugo Bonat Walmes Marques Zeviani Elias
Leia maisInfluencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia maisEnsaio Clínico de Contraceptivos José Luiz Padilha da Silva 24 de outubro de 2018
Ensaio Clínico de Contraceptivos José Luiz Padilha da Silva 24 de outubro de 2018 Exemplo: Ensaio Clínico de Contraceptivos Introdução Este exemplo é de um estudo longitudinal de uso de contraceptivos
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia maisDistribuição de Probabilidade de Poisson
1 Distribuição de Probabilidade de Poisson Ernesto F. L. Amaral Magna M. Inácio 07 de outubro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4)
Leia maisRegressão Beta Multivariada com
Universidade Federal do Rio de Janeiro Instituto de Matemática Regressão Beta Multivariada com Aplicações em Pequenas Áreas Debora Ferreira de Souza Rio de Janeiro 2011 Regressão Beta Multivariada com
Leia maisPREVISÃO EVOLUTIVA DE CARGA INCLUINDO A ANÁLISE DE RISCOS
PREVISÃO EVOLUTIVA DE CARGA INCLUINDO A ANÁLISE DE RISCOS Leontina Pinto ENGENHO Luiz Macêdo ENGENHO Jacques Szczupak ENGENHO Elias Albarello ELETROPAULO Débora Tortelli - CPFL 1 INTRODUÇÃO Dez 00/Jan
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Métodos Estatísticos Avançados em Epidemiologia Aula 2-2 Regressão de Poisson: Modelando Contagens Distribuição
Leia maisTABELA I ARRECADAÇÃO DAS RECEITAS FEDERAIS PERÍODO: NOVEMBRO E DEZEMBRO DE 2015 E DEZEMBRO DE 2014 (A PREÇOS CORRENTES)
UNIDADE: R$ MILHÕES RECEITAS TABELA I PERÍODO: NOVEMBRO E DEZEMBRO DE 2015 E DEZEMBRO DE 2014 (A PREÇOS CORRENTES) 2015 2014 VARIAÇÃO (%) DEZEMBRO NOVEMBRO DEZEMBRO DEZ/15 NOV/15 DEZ/15 DEZ/14 IMPOSTO
Leia maisEndogeneidade, Variáveis Instrumentais e Modelos de Equações Estruturais
1 Endogeneidade, Variáveis Instrumentais e Modelos de Equações Estruturais Ernesto F. L. Amaral Magna M. Inácio 21 de outubro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho
Leia maisUso do WinBugs/OpenBugs
Uso do WinBugs/OpenBugs Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Junho, 2012 Preliminares O WinBugs e OpenBugs são softwares livres que permitem simular
Leia maisSITUAÇÃO DO SANEAMENTO DOS DOMICILIOS QUE POSSUEM BANHEIROS DAS ÁREAS RURAIS E URBANAS DAS MESORREGIÕES DO ESTADO DO CEARÁ
SITUAÇÃO DO SANEAMENTO DOS DOMICILIOS QUE POSSUEM BANHEIROS DAS ÁREAS RURAIS E URBANAS DAS MESORREGIÕES DO ESTADO DO CEARÁ Francisco Henrique Ximenes da Cruz (1) Graduando em Engenharia Sanitária e Ambiental
Leia maisModelo linear multinível
Modelo linear multinível Leo Bastos Fundação Oswaldo Cruz Leo Bastos (PROCC/Fiocruz) Dados binários 1 / 20 Outline 1 Entendo a equação do modelo 2 Exemplo: Privação de sono Multinível no R Leo Bastos (PROCC/Fiocruz)
Leia maisPlanejamento de Experimentos. 13. Experimentos com fatores aleatórios
Planejamento de Experimentos 13. Experimentos com fatores aleatórios Até aqui assumimos que os fatores nos experimentos eram fixos, isto é, os níveis dos fatores utilizados eram níveis específicos de interesse.
Leia maisSIMULAÇÃO HIDROLÓGICA E APLICAÇÃO DE UMA ANÁLISE MULTIVARIADA NO ESTUDO DE CHUVA-VAZÃO NA BACIA HIDROGRÁFICA DO RIO SÃO FRANCISCO
UNIVERSIDADE FEDERAL DE CAMPINA GRANDE DEPARTAMENTO DE CIÊNCIAS ATMOSFÉRICAS PROGRAMA DE PÓS-GRADUAÇÃO EM METEOROLOGIA Dissertação SIMULAÇÃO HIDROLÓGICA E APLICAÇÃO DE UMA ANÁLISE MULTIVARIADA NO ESTUDO
Leia maisEstudo dirigido de Análise Multivariada
Estudo dirigido de Análise Multivariada Conceitos Iniciais De um modo geral, os métodos estatísticos de análise multivariada são aplicados para analisar múltiplas medidas sobre cada indivíduo ou objeto
Leia maisAreS-Rio. Qualidade do ar e sintomas respiratórios. rios agudos em crianças as atendidas nas de saúde de Jacarepaguá
Secretaria da Qualidade Ambiental nos Assentamentos Humanas Instituto de Medicina Social Universidade do Estado do Rio de Janeiro AreS-Rio Qualidade do ar e sintomas respiratórios rios agudos em crianças
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 maisModelos de Regressão Bivariados Bernoulli - Exponencial. Flávia Bolssone do Prado
Modelos de Regressão Bivariados Bernoulli - Exponencial Flávia Bolssone do Prado São Carlos 2013 Universidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Departamento de Estatística
Leia maisModelagem de dados longitudinais
p. 1 Departamento de Epidemiologia e Métodos Quantitativos em Saúde Modelagem de dados longitudinais "Todos os modelos são errados... alguns são úteis." Marilia Sá Carvalho Coortes/2005 p. 2 Tópicos Teoria
Leia maisInterpolação. Interpolação. Padrões de amostragem. Autocorrelação. Padrões de amostragem. Padrões de amostragem
Sistemas de Informação Geográfica II Interpolação 1. Interpolação Autocorrelação Padrões de amostragem Validação de resultados Interpolação Predição do valor de atributos em pontos não-amostrados Tempo
Leia maisÍNDICE. Barreira Cravo
Introdução: Localização... 38 Histórico...39 Loteamentos do Bairro...4 Sistema Viário...41 Relação de Vias Públicas... 42 Zoneamento...43 ÍNDICE Serviços e Unidades Públicas:... Unidades de Educação e
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 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 maisANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD)
ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD) Stênio R. Lima (bolsista do ICV-UFPI), Fernando F. Nascimento (orientador, Dept. de Estatística - UFPI)
Leia maisMÉTODO DE HARGREAVES- SAMANI A PARTIR DA ESTIMATIVA DA TEMPERATURA DO AR E A PARTIR DE NORMAIS CLIMATOLÓGICAS
MÉTODO DE HARGREAVES- SAMANI A PARTIR DA ESTIMATIVA DA TEMPERATURA DO AR E A PARTIR DE NORMAIS CLIMATOLÓGICAS Juliana da Silva Rodrigues¹; André Luiz Ribas de Oliveira²; Sandra Regina Pires de Moraes²;
Leia maisUHE Belo Monte - Indicadores socioambientais do empreendimento (atualizações ressaltadas em amarelo) Periodicidade de Apuração
Índice de Desenvolvimento Humano dos municípios da Área de Influência Direta da UHE Belo Monte (por município e média ponderada da região) (IDHM) Índice Firjan de Desenvolvimento Municipal dos municípios
Leia mais