Palavras Chave: Método dos Momentos, Método da Máxima Verossimilhança, Estimadores de parâmetros
|
|
- Vinícius Alencastre Gama
- 6 Há anos
- Visualizações:
Transcrição
1 ANÁLISE DA EFICIÊNCIA DOS MÉTODOS DOS MOMENTOS E DA MÁXIMA VEROSSIMILHANÇA NA ESTIMATIVA DE PARÂMETROS DA DISTRIBUIÇÃO GAMA II: UMA ABORDAGEM PROBABILÍSTICA José Nilson B. Campos 1 ; Luiz Sérgio Vasconcelos do Nascimento 2 e Ticiana Marinho de Carvalho Studart 1 Resumo. Os métodos mais usuais para a estimativa de parâmetros de uma distribuição de probabilidades são os métodos dos momentos e da máxima verossimilhança. Uma vez os métodos citados não produzem, necessariamente, as mesmas estimativas, deve-se analisar em quais situações um ou outro se mostra o mais apropriado. O presente trabalho faz uma análise comparativa entre o desempenho de ambos na estimativa dos parâmetros da distribuição Gama II De um modo geral, observou-se que método da máxima verossimilhança deve ser o método adotado, principalmente quando o coeficiente de variação é alto e o tamanho da amostra, pequeno. Quando os valores de coeficiente de variação são pequenos (CV inferior a,3) ou quando o tamanho da amostra é grande, a diferença entre as estimativas feitas pelos dois métodos é insignificante. Abstract. The two most commonly used methods for estimating the parameters of a probability distribution are the method of moments and the method of maximum likelihood. As the methods prior cited do not always produce the same estimates for the parameters, one must analyze the situations in which one or another is more appropriated. This paper compared the performance of both method in estimating Gama II parameters. Generally speaking, method of maximum likelihood should be preferred over the method of moments, specially when coefficient of variation is high and sample size is small. For low values of coefficient of variation a (CV less than.3) and for large sample size the difference between estimates made from both methods is negligible. Palavras Chave: Método dos Momentos, Método da Máxima Verossimilhança, Estimadores de parâmetros. 1 Professores do Departamento de Engenharia Hidráulica e Ambiental Universidade Federal do Ceará. Campus do Pici, Centro de Tecnologia, Bl. 713, Fortaleza, Ceará, Brasil, CEP , Fone: (85) , Fax: (85) s: ticiana@ufc.br e nilson@ufc.br 2 Engenheiro Civil. Ex-bolsista de Iniciação Científica - PIBIC/CNPq - Universidade Federal do Ceará. E- mail:luiz_sergio@bol.com.br
2 1. INTRODUÇÃO Incerteza é um termo difícil de definir, englobando múltiplas conceituações. A variedade de fontes de incertezas gera, sem dúvida, sérias confusões. Várias têm sido as tentativas de identificar os variados tipos de incertezas no campo da Hidrologia e dos Recursos Hídricos. No caso específico de modelagem matemática de sistemas hidrológicos, VINCENS et al.(1975) propuseram uma metodologia e classificam as incertezas inerentes a estes estudos em três tipos: Incertezas do Tipo I - ocasionadas pelo desconhecimento do verdadeiro modelo que rege o processo natural; Incertezas do Tipo II - geradas na avaliação dos parâmetros dos modelos matemáticos e Incertezas do Tipo III - aquelas inerentes aos processos naturais. O presente trabalho busca analisar e quantificar as Incertezas do Tipo II, realizando a comparação de dois métodos de estimação de parâmetros: o método dos momentos e o método da máxima verossimilhança. Será utilizada uma distribuição de probabilidades amplamente usada na área de recursos hídricos. Os cenários analisados visam cobrir a maior parte das situações encontradas na prática. Será dada uma abordagem diferente das utilizadas até o momento, comparando os erros cometidos na estimação dos parâmetros com a variação do coeficiente de variação dos dados bem, como a extensão da série.. REFERENCIAL TEÓRICO A Estatística é dividida basicamente em duas grandes áreas: a Estatística Descritiva, que se preocupa em extrair informações de dados amostrados, e a Estatística Indutiva, cujo papel é analisar e interpretar esse dados, tirando conclusões probabilísticas. Um dos principias problemas da Estatística Indutiva é a estimação de parâmetros de uma distribuição populacional. Estimando (θ) é o parâmetro a ser estimado. É uma característica numérica da população. Estimador (T) é a fórmula que descreve o modo de calcular a estimativa de determinado parâmetro. Já a Estimativa (T i ) é o valor assumido por um estimador T. Apesar de se possuir vários estimadores para o parâmetro a ser calcular, existem propriedades que caracterizam um bom estimador, devendo, portanto, serem alvo de preocupação. Propriedades de um bom estimador Justeza Um estimador T é dito justo (não-tendencioso, não-viciado ou não-viesado), quando sua média (ou valor esperado) for igual ao próprio parâmetro θ a ser estimado, ou seja: μ ( T ) = θ (1)
3 O fato de um estimador ser justo não garante que o valor individual de T é igual a θ ou próximo deste, simplesmente indica que os valores aleatórios do estimador ocorrerão em torno do parâmetro. Consistência Um estimador T é dito consistente se: lim n P( T θ ε ) = (2) Isto equivale a dizer que quanto maior for a amostra, menor se torna o erro entre o estimador e o parâmetro, ou seja, se ele for justo, sua variância (σ 2 ) tende a zero com o aumento da amostra. Eficiência Um estimador T é dito o mais eficiente do parâmetro θ se ele for justo e sua variância, para um mesmo tamanho de amostra, for menor que a de qualquer outro estimador. Suficiência Um estimador T suficiente para um parâmetro θ se todas as informações relevante a θ estão contidas neste estimador. Métodos para Estimativa dos Parâmetros O método dos momentos nada mais é do que supor que os momentos da distribuição populacional coincidem com os da amostra, podendo-se assim, ao igualar-se os momentos de menor ordem, obter-se um sistema de equações que forneça as estimativas desejadas. A função geratriz de momentos de uma função densidade de probabilidades é dada por: M + tx X t) e f ( x) ( = dx (3) em que f(x) é a função densidade de probabilidade. O método da máxima verossimilhança consiste em adotar o parâmetro que maximize a função de verossimilhança correspondente ao resultado obtido da amostra, dada por: L = n i= 1 f (, θ ) (4) Há na literatura alguns trabalhos que compararam métodos de estimação. NEGRÃO et. al. (21) avaliaram os métodos dos momentos, da máxima verossimilhança, média e zeros e análise de variância na estimação de parâmetros da distribuição beta-binomial, amplamente empregada em Fitossanidade, utilizando simulação de Monte Carlo. Segundo os autores, os estimadores obtidos x i
4 pela análise de variância e pelo método da máxima verossimilhança foram os que apresentaram melhores propriedades conjuntamente. Os autores também afirmam que se observa freqüentemente a preferência de pelos mesmos métodos. ANDERSEN et. al. (1999) avaliaram a eficiência do método dos momentos, utilizando também simulação de Monte Carlo. Segundo os autores, o método dos momentos aproxima-se do método da máxima verossimilhança para grandes amostras de dados. METODOLOGIA Para a realização a comparação entre o método dos momentos e o método da máxima verossimilhança na estimação de parâmetros, utilizou-se a distribuição contínua de probabilidade Gama de dois parâmetros ou Gama II.. Se o número de parâmetros de uma distribuição de probabilidade é pequeno, a função se torna pouco flexível ao ajuste dos dados observados, mas se o número de parâmetros cresce, a estimativa destes se torna um tanto trabalhosa. A distribuição Gama de dois e três parâmetros é comumente usada em hidrologia, assim como a distribuição Lognormal. Segundo YEVJEVICH (1972), as distribuições Gama e Lognormal de três parâmetros não possuem vantagens significativas quando comparadas com as respectivas distribuições com dois parâmetros, razão pela qual foi escolhida a função Gama com dois parâmetros. A função densidade de probabilidade da distribuição Gama II é dada por: f(x) = x β α 1 x.e α β. Γ(αα, para x f(x) =, para x< (5) em que o parâmetro α é um parâmetro de forma e β um parâmetro de escala. A função gama é dada pela integral: α = 1 x ( ) x. e dx Γ α (6) esta função converge para valores de α<. Para a estimativa dos parâmetros da distribuição pelo método dos momentos, o método resultou nas seguintes equações: X = αˆ.βˆ (7) 2 2 S = (8) αˆ.βˆ onde X e S 2 são a média e o desvio, respectivamente, da amostra estudada.
5 equações: lnαˆ. Para o método da máximo verossimilhança, os parâmetros α e β podem ser obtidos pelas Ψ(αˆ.) = ln(x/x ) (9) G X = αˆ.βˆ (1) em que X G é a média geométrica da amostra e Ψ(x) = dlnγlnγ(x) é a psi-função. Como as equações da máxima verossimilhança são de difícil resolução, utilizou-se uma aproximação proposta por GREENWOOD e DURAND (196), dada por: 2,5876 +, y,54427.y αˆ = (11) y se y,5772, 2 8, ,5995.y y αˆ = (12) 2 y.(17, , y + y ) se,5772 < y 17, em que, y = lnx lnx 2 2 S = αˆ.βˆ (13) Segundo os autores, estas equações apresentam um erro máximo da ordem de,1% em relação à solução das equações do método convencional. Para a geração dos números aleatórios, utilizou-se a biblioteca IMSL STAT/LIBRARY, do Microsoft PowerStation Fortran 4., que consiste em uma coleção de rotinas e funções utilizadas para análise estatística. Com esta biblioteca foi possível a geração dos números aleatórios da distribuição Gama II. A rotina utilizada gera números pseudoaleatórios com um parâmetro de forma α e um parâmetro de escala unitário. Para a obtenção de uma amostra com distribuição Gama II, cada valor foi multiplicado pelo fator β de escala. Foram geradas 5 amostras com tamanhos variando de 1 a 1, com um incremento de 1. Para cada tamanho de amostra, utilizou-se um coeficiente de variação (CV) variando de,1 a 1,6, com um incremento de,1, obtendo-se, portando, 16 configurações diferentes. De posse dos números aleatórios, desenvolveu-se programas em linguagem Fortran para o cálculo dos parâmetros de cada distribuição, utilizando-se os métodos dos momentos e da máxima verossimilhança, obtendo-se assim, os parâmetros das amostras. Uma estatística utilizada para a avaliação da eficiência dos estimadores foi o erro médio modular, que expressa a variabilidade das estimativas individuais em relação ao parâmetro. Para o cálculo dos erros médios modulares, calculou-se inicialmente o erro modular de cada estimativa individual da amostra, definido como: θ ε = T i (14) θ
6 onde: T é o estimador e θ é o parâmetro. Logo, o Erro Médio Modular (EM) é a média (ou esperança matemática) dos erros individuais. Outra estatística utilizada para avaliação dos parâmetros da amostra foi o viés, representado pelo Erro Médio Relativo (ER). Este erro consiste na média dos erros individuais relativos, definidos por: θ ε = T i (15) θ RESULTADOS Para realizar a comparação entre os métodos, calculou-se, para cada método e estimação, a diferença apresentada para cada um dos dois tipos de erros. Esta diferença, denominada neste trabalho de Ganho (G), é definida como a diferença entre o módulo dos erros, para o caso do erro relativo, apresentado pelo método da máxima verossimilhança e pelo método dos momentos. Pela forma como foi definido o Ganho, valores positivos do mesmo mostram uma vantagem do método da máxima verossimilhança em relação ao método dos momentos. Como forma de sintetizar a apresentação dos resultados obtidos, os mesmo serão apresentados em forma de gráficos (figuras Erro Relativo - Alfa,6,5,4 Ganho,3,2,1,2,4,6,8 1 1,2 1,4 1,6 1,8 CV n = 1 n = 2 n = 3 n = 4 n = 5 n = 6 n = 7 n = 8 n = 9 n = 1 Figura 1 - Ganho do Erro Relativo para o Parâmetro Alfa
7 Erro Relativo - Beta,25,2,15 Ganho,1,5,,2,4,6,8 1, 1,2 1,4 1,6 1,8 -,5 CV n = 1 n = 2 n = 3 n = 4 n = 5 n = 6 n = 7 n = 8 n = 9 n = 1 Figura 2 - Ganho do Erro Relativo para o Parâmetro Beta Erro Absoluto - Alfa,6,5,4,3 Ganho,2,1,2,4,6,8 1 1,2 1,4 1,6 1,8 -,1 CV n = 1 n = 2 n = 3 n = 4 n = 5 n = 6 n = 7 n = 8 n = 9 n = 1 Figura 3 - Ganho do Erro Absoluto para o Parâmetro Alfa
8 Erro Absoluto - Beta,1,8,6 Ganho,4,2,2,4,6,8 1 1,2 1,4 1,6 1,8 -,2 CV n = 1 n = 2 n = 3 n = 4 n = 5 n = 6 n = 7 n = 8 n = 9 n = 1 Figura 4 - Ganho do Erro Absoluto para o Parâmetro Beta Pelos resultados apresentados, pode-se observar que, praticamente em todas as situações, o Ganho apresentou-se positivo, indicando que o método da máxima verossimilhança é melhor que o método dos momentos para as referidas situações. Para o parâmetro alfa, pode-se ver nitidamente que o Ganho decresce com o tamanho da amostra, o que nos leva a crer que para grandes amostras, é irrelevante o método escolhido para a estimativa dos parâmetros. Para o parâmetro beta, esta observação não foi constatada no que se refere ao erro absoluto, uma vez o Ganho se apresentou de forma muito irregular, não obedecendo a uma tendência clara. Para os dois parâmetros, observou-se que o Ganho cresce com o aumento do coeficiente de variação e que, para pequenos valores de CV (abaixo de,3), este Ganho não é mais significativo. CONCLUSÕES Avaliou-se neste trabalho, os métodos mais usuais de estimativas de parâmetros os métodos da máxima verossimilhança e o dos momentos. O desempenho do primeiro sobre o segundo foi medido segundo um parâmetro definido pelos autores, denominado Ganho; um Ganho positivo indica uma melhor adequação do método da máxima verossimilhança sobre o dos momentos; já um negativo, indica o inverso.
9 Nos casos analisados, foi clara a evidência de que o método da máxima verossimilhança teve melhor desempenho, vez que o ganho se apresenta positivo em quase todas as situações. Mas que, com o crescimento do tamanho da amostra, a escolha do método de estimativa se revela irrelevante, uma vez que os ganhos tendem para valores iguais. Observou-se ainda que o método da máxima verossimilhança vai se tornando o mais adequado a medida em que o coeficiente de variação cresce; no entanto, para coeficientes de variação abaixo de,3, os dois métodos apresentaram erros semelhantes, o que torna a escolha do método de estimativa indiferente. REFERÊNCIAS BIBLIOGRÁFICAS ANDERSEN, T.G., CHUNG, H.J. E SORENSEN, B.E Efficient method of moments estimation of a stochastic volatility model: A Monte Carlo study, Journal of Econometrics 91. p GREENWOOD, J. A. e DURAND, D Aids for Fitting the Gamma Distribution by Maximum Likelihood. Technometrics 2(1): HAAN, C.T Statistical Methods in Hydrology. Ames: Iowa State University. KITE, G.W Frequency and Risk Analysis in Hydrology. Fort Collins: Water Resources Publications. MEYER, P.L Probabilidade: Aplicações à Estatística; tradução do Prof. Ruy de C. B. Lourenço Filho. Livros Técnicos e Científicos Editora S. A. NEGRÃO, I. O., AQUINO, L. H. E BEARZOTI, E. 21. Avaliação de Quatro Métodos de Estimação dos Parâmetros da Distribuição Beta-Binamial pela Simulação de Monte Carlo. Ciência Agrotécnicas, Lavras, v.25, n.6, p , nov/dez. STUDART, T.M.C. 2. Análise de Incertezas na Determinação de Vazões Regularizadas em Climas Semi-Áridos. Fortaleza, Universidade Federal do Ceará. Tese de Doutorado. TUCCI, C.E.M Hidrologia: Ciência e Aplicação. Porto Alegre: Editora da Universidade: ABRH (Coleção ABRH de Recursos Hídricos; v.4). VINCENS, G.J., I. RODRIGUES-ITURBE E J.C. SHAAKE A Bayesian Framework for the use of Regional Information in Hidrology. Res., 11(3). p YEVJEVICH, V Probability and Statistics in Hydrology, Fort Collins: Water Resources Publications.
Aula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
Universidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
A VARIABILIDADE DA VAZÃO SEGURA
A VARIABILIDADE DA VAZÃO SEGURA Ticiana Marinho de Carvalho Studart 1 ; José Nilson Beserra Campos 1 ; Juliana Pontes Machado de Andrade 2 ; Othavio Luis de Sousa 2 Resumo Define-se como vazão segura como
O FATOR DE CORREÇÃO DE VIÉS COMO ESTIMADOR DA VAZÃO DE EQUILÍBRIO DE UM RESERVATÓRIO
O FATOR DE CORREÇÃO DE VIÉS COMO ESTIMADOR DA VAZÃO DE EQUILÍBRIO DE UM RESERVATÓRIO Ticiana Marinho de Carvalho Studart 1 ; José Nilson B. Campos 1 ; Juliana Pontes Machado de Andrade 2 ; Luiz Sérgio
ESTUDO DOS ERROS TIPOS I E II PARA TESTES DE ADERÊNCIA UTILIZANDO SÉRIES SINTÉTICAS
ESTUDO DOS ERROS TIPOS I E II PARA TESTES DE ADERÊNCIA UTILIZANDO SÉRIES SINTÉTICAS Danilo Nogueira de Souza 1 ; Ticiana Marinho de Carvalho Studart 3 ; José Nilson B. Campos 3 ; Marcelo Leão Nogueira
Distribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Distribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
O PROCESSO DE ARMAZENAMENTO EM RESERVATÓRIOS NO SEU ESTADO TRANSIENTE E O VOLUME INICIAL DE MÁXIMA CONVERGÊNCIA
O PROCESSO DE ARMAZENAMENTO EM RESERVATÓRIOS NO SEU ESTADO TRANSIENTE E O VOLUME INICIAL DE MÁXIMA CONVERGÊNCIA Ticiana Marinho de Carvalho Studart 1 ; José Nilson Beserra Campos 1 ; Juliana Pontes Machado
A Outorga do Direito de Uso da Água em um Cenário de Incertezas: o Caso do Nordeste Semi-Árido
A Outorga do Direito de Uso da Água em um Cenário de Incertezas: o Caso do Nordeste Semi-Árido Ticiana Marinho de Carvalho Studart 1 1. A OUTORGA E O SEU CONTEXTO LEGAL A Lei Federal 9.433 de 8 de janeiro
INCERTEZAS SOBRE VALORES DE MÉDIAS PLUVIOMÉTRICAS RESUMO
INCERTEZAS SOBRE VALORES DE MÉDIAS PLUVIOMÉTRICAS José M. Brabo ALVES 1, José Nilson B. CAMPOS 2, Rubenaldo Alves da SILVA 3, Jair B. Lúcio 4 RESUMO Neste artigo faz-se uma abordagem estatística sobre
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood
INCERTEZA NA ESTIMATIVA DE PARÂMETROS PARA A GERAÇÃO DE VAZÕES SINTÉTICAS PELO MÉTODO DE MONTE CARLO
INCERTEZA NA ESTIMATIVA DE PARÂMETROS PARA A GERAÇÃO DE VAZÕES SINTÉTICAS PELO MÉTODO DE MONTE CARLO Luiz Sérgio V. Nascimento 1 ; José Nilson B. Campos 2 ; Dyego G. Barcelos 2 & Ticiana M. C. Studart
XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
ANÁLISE DE DISTRIBUIÇÕES DE PROBABILIDADES E ESTIMATIVA DA Q 7,10 PARA A REGIÃO DO RIO ITABAPOANA, ESPÍRITO SANTO/RIO DE JANEIRO. LEANDRO CAMPOS PINTO 1, EWERTON FELIPE DO PRADO MACHADO 2 ; CARLOS ROGÉRIO
FATORES DE CONVERSÃO DE VAZÕES REGULARIZADAS COM DIFERENTES GARANTIAS
FATORES DE CONVERSÃO DE VAZÕES REGULARIZADAS COM DIFERENTES GARANTIAS Dyego Galdino Barcelos 1 ; José Nilson B. Campos 2 ; Ticiana Marinho de Carvalho Studart 1 Luiz Sérgio Vasconcelos do Nascimento 3
Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Cap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
AVALIAÇÃO DE ERROS NA ESTIMATIVA DE VAZÕES REGULARIZADAS POR AJUSTAMENTO DA TABELA COTA X VOLUME POR EQUAÇÕES MATEMÁTICAS
1 AVALIAÇÃO DE ERROS NA ESTIMATIVA DE VAZÕES REGULARIZADAS POR AJUSTAMENTO DA TABELA COTA X VOLUME POR EQUAÇÕES MATEMÁTICAS José Nilson B. Campos 1 Luiz Sérgio Vasconcelos do Nascimento Resumo -- O presente
3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
XXI CONGRESO LATINOAMERICANO DE HIDRÁULICA SÃO PEDRO, ESTADO DE SÃO PAULO, BRASIL, OCTUBRE, 2004.
IAHR AIPH XXI CONGRESO LATINOAMERICANO DE HIDRÁULICA SÃO PEDRO, ESTADO DE SÃO PAULO, BRASIL, OCTUBRE, 004. DESVIOS NAS ESTIMATIVAS DE VAZÕES REGULARIZADAS RESULTANTES DA REPRESENTAÇÃO DAS RELAÇÕES COTA
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
ESTUDO DOS REGIMES HIDROLÓGICOS DE SETE RIOS SELECIONADOS NOS CINCO CONTINENTES DO MUNDO.
ESTUDO DOS REGIMES HIDROLÓGICOS DE SETE RIOS SELECIONADOS NOS CINCO CONTINENTES DO MUNDO. Juliana Alencar Firmo de Araújo 1 Raquel Jucá de Moraes Sales 2 José Nilson Beserra Campos 3 Resumo Este artigo
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Estimação de Parâmetros O objetivo da Estatística Indutiva é tirar conclusões probabilísticas sobre aspectos da população,
ANEXO 3 FUNÇÃO DE DISTRIBUIÇÃO NORMAL (NOR)
ANEXO UNÇÃO DE DISTRIBUIÇÃO NORMAL (NOR) A.1 dp e/ou d 1 1 f ( ) ep, (A.1) A. Estimativa dos Parâmetros A.. Método da Máima Verosimelhança (MV) 1 N N i i 1 (A.8) s 1 N 1 N i i 1 (A.9) embora, em rigor,
PROBABILIDADE E ESTATÍSTICA EM HIDROLOGIA
Introdução 1 PROBABILIDADE E ESTATÍSTICA EM HIDROLOGIA Fenômeno - MODELO MATEMÁTICO Q = L.H 3/2 F= γ.h.a Ênfase: forma da expressão relação entre : L e H Q γ, h e A F Aula 1 Introdução 2 HIDROLOGIA " É
IMPACTOS DAS MUDANÇAS CLIMÁTICAS NAS DISPONIBILIDADES HÍDRICAS DE RESERVATÓRIOS: UM ESTUDO DE CASO
IMPACTOS DAS MUDANÇAS CLIMÁTICAS NAS DISPONIBILIDADES HÍDRICAS DE RESERVATÓRIOS: UM ESTUDO DE CASO Ticiana M. Carvalho Studart 1, José Nilson B. Campos¹, Fábio Miranda de Souza 2 e Ricardo Marinho de Carvalho
Introdução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
03/06/2014. Tratamento de Incertezas TIC Aula 18. Conteúdo Inferência Estatística Clássica
Tratamento de Incertezas TIC-00.176 Aula 18 Conteúdo Professor Leandro Augusto Frata Fernandes laffernandes@ic.uff.br Material disponível em http://www.ic.uff.br/~laffernandes/teaching/2014.1/tic-00.176
AVALIAÇÃO DE ERROS NA ESTIMATIVA DE VAZÕES REGULARIZADAS POR AJUSTAMENTO DA TABELA COTA X VOLUME POR EQUAÇÕES MATEMÁTICAS
AVALIAÇÃO DE ERROS NA ESTIMATIVA DE VAZÕES REGULARIZADAS POR AJUSTAMENTO DA TABELA COTA X VOLUME POR EQUAÇÕES MATEMÁTICAS José Nilson B. Campos 1 ; Luiz Sérgio V. Nascimento & Ticiana M. de Carvalho Studart
RELAÇÕES INTENSIDADE-DURAÇÃO-FREQÜÊNCIA DE CHUVAS INTENSAS DE URUSSANGA, SC.
119 ISSN 1808-3765 RELAÇÕES INTENSIDADE-DURAÇÃO-FREQÜÊNCIA DE CHUVAS INTENSAS DE URUSSANGA, SC. Álvaro José Back Empresa de Pesquisa Agropecuária e Extensão Rural de Santa Catarina, Epagri, Urussanga,
A distribuição Weibull Exponencial de Zografos
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. A distribuição Weibull Eponencial de Zografos Patrícia Silva N. Barros, PPGBEA - UFRPE / DCE - UFPB E-mail: patriciajp1408@hotmail.com Kleber Napoleão
MÉTODO MONTE CARLO E SIMRES: LABORATÓRIO COMPUTACIONAL PARA ANÁLISE DE RESERVATÓRIOS
MÉTODO MONTE CARLO E SIMRES: LABORATÓRIO COMPUTACIONAL PARA ANÁLISE DE RESERVATÓRIOS José Nilson Campos 1 e Ticiana Marinho de Carvalho Studart 2 RESUMO --- O método Monte Carlo tem sua origem, nos moldes
IND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Técnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
CONHECIMENTOS 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
Probabilidade e Estatística
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva Inferência Estatística stica e Distribuições Amostrais Inferência Estatística stica O objetivo
Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL.
Introdução à Inferência Estatística Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 5 de setembro de 004 Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL. 1 Medidas Resumo DISTRIBUIÇÕES
Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Métodos de Estimação. Roteiro. 1. Three-point Estimation 2. Julgamento de Especialistas 3. Referências. Three-Point Estimation
Métodos de Estimação Roteiro 1. Three-point Estimation. Julgamento de Especialistas 3. Referências Three-Point Estimation 1 Three-Point Estimation Pert original: A duração da atividade segue uma distribuição
XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de Setembro a 01 de Outubro
COMPARAÇÃO DOS MÉTODOS DE VERIFICAÇÃO DO AJUSTE DA DISTRIBUIÇÃO GUMBEL A DADOS EXTREMOS CARLOS JOSÉ DOS REIS 1, LUIZ ALBERTO BEIJO 2,GILBERTO RODRIGUES LISKA 3 RESUMO A distribuição Gumbel é muito aplicada
EMPREGO DE FERRAMENTAS COMPUTACIONAIS NA DETERMINAÇÃO DE CHUVAS INTENSAS: UM INSTRUMENTO ADICIONAL PARA O ENSINO DE HIDROLOGIA
EMPREGO DE FERRAMENTAS COMPUTACIONAIS NA DETERMINAÇÃO DE CHUVAS INTENSAS: UM INSTRUMENTO ADICIONAL PARA O ENSINO DE HIDROLOGIA Pedro Henrique Carneiro 1 ; David Duarte Gandhi Martinz 2 ; Ticiana Marinho
BOOTSTRAP. - APLICAÇÃO DO MB: podem ser aplicados quando existe, ou não, um modelo probabilístico bem definido para os dados.
OOTSTRAP INTRODUÇÃO - IDEIA ÁSICA: reamostrar de um conjunto de dados, diretamente ou via um modelo ajustado, a fim de criar replicas dos dados, a partir das quais podemos avaliar a variabilidade de quantidades
Análise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Variabilidades Climáticas e Tendências Hidrológicas em Climas Semi-Áridos
Variabilidades Climáticas e Tendências Hidrológicas em Climas Semi-Áridos INTRODUÇÃO José Nilson Beserra Campos, PhD Ticiana Marinho de Carvalho Studart, Dr Departamento de Engenharia Hidráulica e Ambiental
CONHECIMENTOS 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
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
XIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA 27 de setembro a 01 de outubro de 2010
DISTRIBUIÇÕES DE PROBABILIDADE APLICADA AO ESTUDO DE VAZÃO DE REFERÊNCIA Q 7.10 PARA A REGIÃO DE IBITIRAMA, ES. GUILHERME EURIPEDES ALVES 1, MATEUS MARQUES BUENO 2 ; CARLOS ROGÉRIO DE MELLO 3, PEDRO LUÍZ
UMA NOTA SOBRE AS PROPRIEDADES DOS ESTIMADORES Paula Pereda Denisard Alves
UMA NOTA SOBRE AS PROPRIEDADES DOS ESTIMADORES Paula Pereda Denisard Alves X é uma varável aleatória caracterizada, entre outros aspectos de sua distribuição, por um parâmetro θ. A distribuição de X pode
ESTIMATIVA DOS VALORES ESPERADOS PARA DURAÇÕES MÁXIMAS DE SECAS HIDROLÓGICAS NO AÇUDE CASTANHÃO - CE
ESTIMATIVA DOS VALORES ESPERADOS PARA DURAÇÕES MÁXIMAS DE SECAS HIDROLÓGICAS NO AÇUDE CASTANHÃO - CE Adriana Oliveira Solon 1, José Nilson B. Campos 2 e Ticiana Marinho de Carvalho Studart² Resumo. O presente
Lista de Exercicios 1. Medidas Resumo. Estimação. Distribuições Amostrais
Introcução à Inferência Estatística. Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 15 de agosto de 007 Lista de Exercicios 1 Medidas Resumo. Estimação. Distribuições Amostrais 1
Dimensionamento de ensaios de não inferioridade para o caso de grupos paralelos e resposta binária: algumas comparações
Dimensionamento de ensaios de não inferioridade para o caso de grupos paralelos e resposta binária: algumas comparações Introdução Arminda Lucia Siqueira Dimensionamento de amostras, importante elemento
$QiOLVHGHVHQVLELOLGDGHHVWDWtVWLFD
$QiOLVHGHVHQVLELOLGDGHHVWDWtVWLFD,QWRGXomR Alguns métodos para a análise de sensibilidade e a importância destes foram apresentados no capítulo 3 O capítulo atual trata da análise de sensibilidade estatística
Estimação: (A) Propriedades e Distribuições Amostrais
Estimação: (A) Propriedades e Distribuições Amostrais Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação
COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA
COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA Felipe Matheus Gonçalves Costa (1); Divanilda Maia Esteves (2) 1 Universidade Estadual da Paraíba; felipematheusem@hotmail.com.br 2 Universidade
Dimensionamento de amostras para regressão logística
Dimensionamento de amostras para regressão logística Arminda Lucia Siqueira 1 Flávia Komatsuzaki 1 Introdução Regressão logística é hoje padrão de análise para muitos estudos da área da saúde cuja variável
Ralph 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:
Noções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
TESTES DE HIPÓTESES. Conceitos, Testes de 1 proporção, Testes de 1 média
TESTES DE HIPÓTESES Conceitos, Testes de 1 proporção, Testes de 1 média 1 Testes de Hipóteses População Conjectura (hipótese) sobre o comportamento de variáveis Amostra Decisão sobre a admissibilidade
PODER DO TESTE. Poder do Teste e Tamanho de Amostra para Testes de Hipóteses
PODER DO TESTE Poder do Teste e Tamanho de Amostra para Testes de Hipóteses 1 2 Tipos de erro num teste estatístico Realidade (desconhecida) Decisão do teste aceita H 0 rejeita H 0 H 0 verdadeira decisão
Modelagem e Simulação. Roteiro. 1. Introdução 2. Análise de Risco 3. Pert Master 4. Conclusões 5. Referências. Introdução
Modelagem e Simulação Roteiro 1. Introdução 2. Análise de Risco 3. Pert Master 4. Conclusões 5. Referências Introdução 1 Simulação Técnica matemática que captura o efeito da variabilidade natural das entradas
AGA Análise de Dados em Astronomia I. 1. Introdução
1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que
MODELOS 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
1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Inferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS. Tese de Doutorado
1 Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS Tese de Doutorado Tese apresentada ao Programa de Pós-graduação em Engenharia Elétrica da PUC-Rio como requisito
Estatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Inferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
O efeito da padronização das notas sobre os resultados da avaliação dos cursos de Engenharia Civil
O efeito da padronização das notas sobre os resultados da avaliação dos cursos de Engenharia Civil Julio Gomes jgomes.dhs@ufpr.br RESUMO O presente trabalho tem por objetivo apresentar uma análise do efeito
Probabilidade de Ocorrência de Dias Chuvosos e Precipitação Mensal e Anual para o Município de Domingos Martins-ES
Probabilidade de Ocorrência de Dias Chuvosos e Precipitação Mensal e Anual para o Município de Domingos Martins-ES Gizella Carneiro Igreja 1,5, José Geraldo Ferreira da Silva 2,6, Eduardo Morgan Uliana
Testes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Exercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
MOQ-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,
1.1. Definições importantes
Parte I. Inferência Estatística Trata-se do processo de se obter informações sobre uma população a partir dos resultados observados numa amostra. De um modo geral, tem-se uma população com um grande número
p( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
ANÁLISE DE FREQUENCIA E PRECIPITAÇÃO HIDROLOGICA DE CINCO ESTAÇÕES AGROCLIMATOLÓGICAS DA REGIÃO CENTRO- SUL DA BAHIA
ANÁLISE DE FREQUENCIA E PRECIPITAÇÃO HIDROLOGICA DE CINCO ESTAÇÕES AGROCLIMATOLÓGICAS DA REGIÃO CENTRO- SUL DA BAHIA Fabiano de Sousa Oliveira (1) ; Cristiano Tagliaferre (2) ; (1) Engenheiro Agrônomo;
5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Comparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO EMENTA E CONTEÚDO PROGRAMÁTICO Carga horária Código Denominação Créditos ( ) Teórica Prática Total GEX112 Estatística 04
SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
MEDIDAS DE DISPERSÃO. Professor Jair Wyzykowski. Universidade Estadual de Santa Catarina
MEDIDAS DE DISPERSÃO Professor Jair Wyzykowski Universidade Estadual de Santa Catarina Introdução INTRODUÇÃO A variabilidade entre elementos em torno do centro da distribuição é chamada medida de dispersão.
Fernando de Pol Mayer
Fernando de Pol Mayer Laboratório de Estatística e Geoinformação (LEG) Departamento de Estatística (DEST) Universidade Federal do Paraná (UFPR) Este conteúdo está disponível por meio da Licença Creative
Função de Verossimilhança
Função de Verossimilhança João Batista e Paulo Inácio Prado 2018 BIE5781 Modelagem Estatística em Ecologia e Recursos Naturais 1/38 Sumário Sumário 1. Motivação 2. Estimação por Máxima Verossimilhança
10.3 Métodos estatísticos
10.3 Métodos estatísticos O estudo de VAZÕES MÁXIMAS pode ser realizado através de DISTRIBUIÇÕES ESTATÍSTICAS DE VARIÁVEIS CONTÍNUAS Métodos: - Distribuição de Gumbel - Distribuição Exponencial de dois
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana
Determinação do tamanho amostral: uma abordagem genuinamente Bayesiana Edney Luís Oliveira Fernandes, Maria Regina Madruga Tavares, Programa de Pós-Graduação em Matemática e Estatística, ICEN, UFPA, 66610-190,
MEEMF-2010 Aula 01. Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana
MEEMF-2010 Aula 01 Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana O que é inferência estatística? Inferência estatística é o importante ramo da Estatística
Teoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Inferência Estatística:
Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
GE-814: Introdução à Avaliação Operacional
GE-814: Introdução à Avaliação Operacional Mentiras, mentiras deslavadas e estatísticas O título acima é uma referência a uma. frase comumente atribuída a um ex primeiro-ministro britânico chamado Benjamin
Introdução à Inferência Estatística
Introdução à Inferência Estatística Prof. Dr. Francisco Marcelo M. da Rocha 10 de Setembro de 2018 Rocha, F.M.M. (EPPEN - UNIFESP) Estatística I 10 de Setembro de 2018 1 / 60 Índice 1 Objetivo da Aula
MAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B