ANÁLISE DE DADOS AMBIENTAIS DO ESTADO DO PIAUÍ UTILIZANDO A DISTRIBUIÇÃO DE PARETO GENERALIZADA (GPD)
|
|
- Diana Canedo Peralta
- 5 Há anos
- Visualizações:
Transcrição
1 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) Introdução A cidade de Teresina é caracterizada por elevadas temperaturas. Em estudo de temperatura, o aquecimento global tem sido um assunto em destaque nos últimos anos devido a rápidas alterações climáticas que o planeta vem sofrendo. Estas mudanças implicam em alterações no número de eventos extremos de temperatura, seja esta de máximos ou mínimos. Eventos de temperatura extrema são mais responsáveis por mudança na natureza do que mudanças na temperatura média (Parmesan et al., [2000]). Dada a ocorrência de eventos extremos e meteorológicos, os retornos podem ser avaliados sob o conceito da Teoria de Valores Extremos, como neste trabalho, que verifica a adequação da Distribuição de Pareto Generalizada (GPD) para modelar retornos de eventos meteorológicos. Em séries temporais, é estudado como o comportamento dos dados pode se alterar com o tempo. Este tipo de alteração é comum para dados de valores extremos. Em dados ambientais, por exemplo, em chuva, vento e temperatura, seus níveis podem estar correlacionados com a sazonalidade, além de apresentar uma tendência de aumento ao longo dos anos, devido mudanças climáticas no planeta (Nascimento [2009], capítulo 5). Metodologia Distribuição GPD para Excessos acima de um limiar A Teoria de Valores Extremos (TVE) é um ramo da probabilidade que estudo o comportamento estocástico de extremos associados a fenômenos com risco elevados de impactos catastróficos. Estes fenômenos constituem um conjunto de vetores aleatórios. Incluímos também dentro de extremos o máximo e o mínimo, estatísticas de ordem extremas e excessos acima (ou abaixo) dos limiares altos (ou baixos). O importante é que as características e propriedades das distribuições desses extremos aleatórios são determinadas pelas caudas extremas (inferior e superior) da distribuição dos dados. Restringir a atenção às caudas de uma distribuição apresenta a vantagem de termos diversos modelos estatístico adequados para as mesmas (Coles [2001]). Estes modelos fundamentados exclusivo em valores além dos limiares nos permitirão fazer inferências mais precisas sobre as caudas e parâmetros da distribuição dos dados extremos. De fato, a inferência estatística sobre acontecimentos raros pode ser deduzida a partir daquelas observações que são extremas sob determinado tipo de critério. A escolha do limiar será feita através do gráfico DIP (Dispersion Index Plot). A GPD explica a distribuição limite dos excessos além do um limiar suficientemente alto. A distribuição de Pareto generalizada foi desenvolvida por Pickands [1975], é baseada no seguinte teorema: Teorema 1: Se X for uma variável aleatória (v.a.) com função distribuição (f.d.) F, que pertence ao domínio de atração de uma distribuição GEV, então, quando, u, Fx u = PrX u + x X > u, possui distribuição GPD, possui a seguinte função de distribuição
2 1 1 + ξ Px ξ, σ, u =, se ξ # 0 (1) 1 exp & se ξ = 0. onde u > 0, σ > 0, x u ) 0, se ξ > 0, e 0 x u σ/ξ, se ξ + 0. O caso ξ = 0 é interpretado como sendo o limite quando ξ 0, é a distribuição exponencial de parâmetro 1/σ. Os parâmetros são ξ, σ e u e representam a forma, escala e limiar da distribuição. Modelagem dinâmica para a distribuição GPD A modelo dinâmico é usado para modelar os parâmetros da GPD, que mudam ao longo do tempo. No gráfico de séries temporais das três estações estudada, observa-se que a temperatura tem um aumento com o passar do tempo, como por exemplo na estação de Picos (Figura 1). Com isso, motivou-se realizar uma modelo linear dinâmico DLM para os parâmetros da GPD. Figura 1: Gráfico de séries temporais dos máximos mensais de temperatura Fonte: Dados INMET O modelo DLM, visto em West e Harrison [1997] (Citado por Nascimento [2009], capítulo 5), é usado para modelar os parâmetros da GPD, que muda ao longo do tempo pela seguinte estrutura Resultados e Discussão, -. - = / e 1 0 = (2) A análise dos dados de temperatura foi feito no software R, utilizando o pacote POT, pois a ideia é observar as temperaturas acima de um limiar. Coles [2001], sugere algumas alternativas como, agrupar dados e observar o máximo nestes grupos. Nas análises de dados de temperatura deste trabalho, foram analisados os máximos mensais. Inicialmente foram obtidos dados meteorológicos de temperatura no Piauí, onde os dados foram coletados diariamente, em três estações do estado, e posteriormente, para cada estação, foi agrupado em máximos mensais. O ajuste dos dados foi estimado utilizando a distribuição GPD. O limiar foi determinado utilizamos o gráfico DIP plot (ver figura 2), com isso, usamos um limiar, respectivamente, 38 para a estação Teresina, 36 para estação de Paranaíba e 39 para estação de Picos. O limiar é escolhido a partir do ponto que o gráfico entra na área hachurada.
3 Figura 2: Gráfico de determinação do limiar para os dados de temperatura. Fonte: Dados meteorologicos, INMET, 2012 Com isso, usando os limiares acima, para cada estação, obtivemos os seguintes estimadores para os parâmetros da GPD, quadro 1. Observou-se que as estimativas para o parâmetro 5 foi negativo nas três estações, concluindo que tem cauda leve para a estimação. Conclusão Quadro 1: Estimativa dos Parâmetros, forma(5) e escala(6), da GPD. Estação Estimativas Intervalo de confiança (95%) Teresina [-0.716;-0.360] [1.20;1.95] Parnaíba -0,3534 0,8988 [-1.013;-0.22] [0.701;1.614] Picos [-0.543; ] [0.555; 1.061] Após a análise inicial, onde foi utilizado a Distribuição Parete Generalizado para modelor os dados de temperatura máxima mensais depois de um limiar fixado, pode notar que nas cidade de Teresina e Picos as temperaturas máximas observadas tiverem comportamento bem similiares, enquanto que na cidade de Parnaíba as temperatura máximas mensais tiveram um comportamento crescente ao longo do tempo. Nas cidades de Teresina, Parnaíba e Picos, respectivamente, é esperado que ocorro temperaturas máximas mensais de 41ºC, 38ºC e 42ºC. Após modelar os dados pelo modelos dinâmicos, observamos que o método se mostrou eficiente com o comportamento parâmetros da cauda apresentando uma evolução ao longo do tempo. O modelo estima bem o limiar, e as estimações do parâmetros do modelo permite calcular de maneira eficiente medidas importante de temperturas máximas. Apoio: Universidade Federal do Piauí - UFPI Referências Coles, S An Introduction to Statistical Modelling of Extreme Values. Springer Series in Statistics. Springers Series in Statistics, London. Nascimento, F. F Abordagem Bayesiana não-paramétrica para análise de valores extremos Tese (Doutorado em estatística) Programa de Pós-Graduação em Estatística, Universidade Federal do Rio de Janeiro, Rio de Janeiro. Parmesan, C., Root, T. L. e Willing, M. R Impacts of extreme weather and climate on terrestrial biota Bulletion of the American Meteorological Society, 81, Pickands, J. Statistical inference using extreme order statistics, Annals of Society, 81, , Palavras-chave: Temperatura, Distribuição GPD, Modelos dinâmicos
4 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) Introdução A cidade de Teresina é caracterizada por elevadas temperaturas. Em estudo de temperatura, o aquecimento global tem sido um assunto em destaque nos últimos anos devido a rápidas alterações climáticas que o planeta vem sofrendo. Estas mudanças implicam em alterações no número de eventos extremos de temperatura, seja esta de máximos ou mínimos. Eventos de temperatura extrema são mais responsáveis por mudança na natureza do que mudanças na temperatura média (Parmesan et al., [2000]). Dada a ocorrência de eventos extremos e meteorológicos, os retornos podem ser avaliados sob o conceito da Teoria de Valores Extremos, como neste trabalho, que verifica a adequação da Distribuição de Pareto Generalizada (GPD) para modelar retornos de eventos meteorológicos. Em séries temporais, é estudado como o comportamento dos dados pode se alterar com o tempo. Este tipo de alteração é comum para dados de valores extremos. Em dados ambientais, por exemplo, em chuva, vento e temperatura, seus níveis podem estar correlacionados com a sazonalidade, além de apresentar uma tendência de aumento ao longo dos anos, devido mudanças climáticas no planeta (Nascimento [2009], capítulo 5). Metodologia Distribuição GPD para Excessos acima de um limiar A Teoria de Valores Extremos (TVE) é um ramo da probabilidade que estudo o comportamento estocástico de extremos associados a fenômenos com risco elevados de impactos catastróficos. Estes fenômenos constituem um conjunto de vetores aleatórios. Incluímos também dentro de extremos o máximo e o mínimo, estatísticas de ordem extremas e excessos acima (ou abaixo) dos limiares altos (ou baixos). O importante é que as características e propriedades das distribuições desses extremos aleatórios são determinadas pelas caudas extremas (inferior e superior) da distribuição dos dados. Restringir a atenção às caudas de uma distribuição apresenta a vantagem de termos diversos modelos estatístico adequados para as mesmas (Coles [2001]). Estes modelos fundamentados exclusivo em valores além dos limiares nos permitirão fazer inferências mais precisas sobre as caudas e parâmetros da distribuição dos dados extremos. De fato, a inferência estatística sobre acontecimentos raros pode ser deduzida a partir daquelas observações que são extremas sob determinado tipo de critério. A escolha do limiar será feita através do gráfico DIP (Dispersion Index Plot). A GPD explica a distribuição limite dos excessos além do um limiar suficientemente alto. A distribuição de Pareto generalizada foi desenvolvida por Pickands [1975], é baseada no seguinte teorema: Teorema 1: Se X for uma variável aleatória (v.a.) com função distribuição (f.d.) F, que pertence ao domínio de atração de uma distribuição GEV, então, quando, u, Fx u = PrX u + x X > u, possui distribuição GPD, possui a seguinte função de distribuição
5 1 1 + ξ Px ξ, σ, u =, se ξ # 0 (1) 1 exp & se ξ = 0. onde u > 0, σ > 0, x u ) 0, se ξ > 0, e 0 x u σ/ξ, se ξ + 0. O caso ξ = 0 é interpretado como sendo o limite quando ξ 0, é a distribuição exponencial de parâmetro 1/σ. Os parâmetros são ξ, σ e u e representam a forma, escala e limiar da distribuição. Modelagem dinâmica para a distribuição GPD A modelo dinâmico é usado para modelar os parâmetros da GPD, que mudam ao longo do tempo. No gráfico de séries temporais das três estações estudada, observa-se que a temperatura tem um aumento com o passar do tempo, como por exemplo na estação de Picos (Figura 1). Com isso, motivou-se realizar uma modelo linear dinâmico DLM para os parâmetros da GPD. Figura 1: Gráfico de séries temporais dos máximos mensais de temperatura Fonte: Dados INMET O modelo DLM, visto em West e Harrison [1997] (Citado por Nascimento [2009], capítulo 5), é usado para modelar os parâmetros da GPD, que muda ao longo do tempo pela seguinte estrutura Resultados e Discussão, -. - = / e 1 0 = (2) A análise dos dados de temperatura foi feito no software R, utilizando o pacote POT, pois a ideia é observar as temperaturas acima de um limiar. Coles [2001], sugere algumas alternativas como, agrupar dados e observar o máximo nestes grupos. Nas análises de dados de temperatura deste trabalho, foram analisados os máximos mensais. Inicialmente foram obtidos dados meteorológicos de temperatura no Piauí, onde os dados foram coletados diariamente, em três estações do estado, e posteriormente, para cada estação, foi agrupado em máximos mensais. O ajuste dos dados foi estimado utilizando a distribuição GPD. O limiar foi determinado utilizamos o gráfico DIP plot (ver figura 2), com isso, usamos um limiar, respectivamente, 38 para a estação Teresina, 36 para estação de Paranaíba e 39 para estação de Picos. O limiar é escolhido a partir do ponto que o gráfico entra na área hachurada.
6 Figura 2: Gráfico de determinação do limiar para os dados de temperatura. Fonte: Dados meteorologicos, INMET, 2012 Com isso, usando os limiares acima, para cada estação, obtivemos os seguintes estimadores para os parâmetros da GPD, quadro 1. Observou-se que as estimativas para o parâmetro 5 foi negativo nas três estações, concluindo que tem cauda leve para a estimação. Conclusão Quadro 1: Estimativa dos Parâmetros, forma(5) e escala(6), da GPD. Estação Estimativas Intervalo de confiança (95%) Teresina [-0.716;-0.360] [1.20;1.95] Parnaíba -0,3534 0,8988 [-1.013;-0.22] [0.701;1.614] Picos [-0.543; ] [0.555; 1.061] Após a análise inicial, onde foi utilizado a Distribuição Parete Generalizado para modelar os dados de temperatura máxima mensais depois de um limiar fixado, pode-se notar que nas cidade de Teresina e Picos as temperaturas máximas observadas tiverem comportamento bem similiares, enquanto que na cidade de Parnaíba as temperatura máximas mensais tiveram um comportamento crescente ao longo do tempo. Nas cidades de Teresina, Parnaíba e Picos, respectivamente, é esperado que ocorra temperaturas máximas mensais de 41ºC, 38ºC e 42ºC. Após modelar os dados pelo modelos dinâmicos, observamos que o método se mostrou eficiente com o comportamento dos parâmetros da cauda apresentando uma evolução ao longo do tempo. O modelo estima bem o limiar, e as estimações do parâmetros do modelo permite calcular de maneira eficiente medidas importante de temperturas máximas. Apoio: Universidade Federal do Piauí - UFPI Referências Coles, S An Introduction to Statistical Modelling of Extreme Values. Springer Series in Statistics. Springers Series in Statistics, London. Nascimento, F. F Abordagem Bayesiana não-paramétrica para análise de valores extremos Tese (Doutorado em estatística) Programa de Pós-Graduação em Estatística, Universidade Federal do Rio de Janeiro, Rio de Janeiro. Parmesan, C., Root, T. L. e Willing, M. R Impacts of extreme weather and climate on terrestrial biota Bulletion of the American Meteorological Society, 81, Pickands, J. Statistical inference using extreme order statistics, Annals of Society, 81, , Palavras-chave: Temperatura, Distribuição GPD, Modelos dinâmicos
CARACTERIZAÇÃO ESTATÍSTICA DE VALORES EXTREMOS DE TEMPERATURA DO AR EM MACAPÁ-AMAPÁ-BRASIL.
CARACTERIZAÇÃO ESTATÍSTICA DE VALORES EXTREMOS DE TEMPERATURA DO AR EM MACAPÁ-AMAPÁ-BRASIL. Alexandre Boleira Lopo, Bruce K. N. Silva, Maria Helena C. Spyrides Universidade Federal do Rio Grande do Norte
Leia maisTEORIA DE VALORES EXTREMOS APLICADA NA ANÁLISE DE TEMPERATURA MÁXIMA EM URUGUAIANA, RS.
TEORIA DE VALORES EXTREMOS APLICADA NA ANÁLISE DE TEMPERATURA MÁXIMA EM URUGUAIANA, RS. 1. INTRODUÇÃO Nosso planeta seguiu uma evolução desde sua origem, passando por transformações significativas em sua
Leia maisMedida de Risco via Teoria de Valores Extremos. Análise de Risco (8) R.Vicente
Medida de Risco via Teoria de Valores Extremos Análise de Risco (8) R.Vicente 1 Resumo EVT: Idéia geral Medidas de risco Teoria de Valores Extremos (EVT) Distribuição de Máximos Distribuição de Exceedances
Leia maisUNIVERSIDADE REGIONAL INTEGRADA DO ALTO URUGUAI E DAS MISSÕES CAMPUS ERECHIM DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA CURSO DE MATEMÁTICA
1 UNIVERSIDADE REGIONAL INTEGRADA DO ALTO URUGUAI E DAS MISSÕES CAMPUS ERECHIM DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA CURSO DE MATEMÁTICA SUZANE RANZAN ESTUDO DAS SÉRIES DE VALORES DE RADIAÇÃO SOLAR
Leia maisNíveis de retorno de rajadas de vento via metodologias POT e blocos máximos no município de Piracicaba-SP.
Níveis de retorno de rajadas de vento via metodologias POT e blocos máximos no município de Piracicaba-SP. Gilberto Rodrigues Liska 1 6 Guido Gustavo Humada Gonzalez 2 6 Marcelo Ângelo Cirillo 3 6 Luiz
Leia maisDistribuição Generalizada de Valores Extremos (GVE): Um estudo aplicado a valores de temperatura mínima da Cidade de Viçosa-MG
Distribuição Generalizada de Valores Extremos (GVE): Um estudo aplicado a valores de temperatura mínima da Cidade de Viçosa-MG Eduardo Campana Barbosa 12 Carlos Henrique Osório Silva 3 Rômulo César Ricardo
Leia maisIntrodução Teoria de Valores Extremos Modelação Dados dependentes Não-estacionaridade. Valores extremos. Susana Barbosa
Valores extremos Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Eventos extremos Conceitos de extremo "Il est impossible que l improbable n arrive jamais" [E. Gumble] "Extremistan: the province
Leia maisInferência. 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
Leia maisComparação 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,
Leia maisInferência. 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
Leia maisEstimadores, pontual e intervalar, para dados com censuras intervalar
Estimadores, pontual e intervalar, para dados com censuras intervalar Débora Ohara, Estela Maris Pereira Bereta, Teresa Cristina Martins Dias Resumo Dados com censura intervalar ocorrem com frequência
Leia maisAnálise de séries temporais. Prof. Thaís C O Fonseca DME - UFRJ
Análise de séries temporais Prof. Thaís C O Fonseca DME - UFRJ Conteúdo do curso Parte 1: Problemas e objetivos, conceitos básicos, processos estocásticos, estacionariedade, autocorrelação e correlação
Leia maisXIX 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
Leia maisMÁXIMOS ANUAIS DE PRECIPITAÇÃO DIÁRIA NA ILHA DA MADEIRA: UM ESTUDO SOBRE NÍVEIS DE RETORNO
MÁXIMOS ANUAIS DE PRECIPITAÇÃO DIÁRIA NA ILHA DA MADEIRA: UM ESTUDO SOBRE NÍVEIS DE RETORNO Resumo DÉLIA GOUVEIA-REIS 1, LUIZ GUERREIRO LOPES 2 E SANDRA MENDONÇA 3 1 FCEE-UMa Faculdade de Ciências Exatas
Leia maisModelagem dos níveis máximos de radiação solar global de Piracicaba-SP
Modelagem dos níveis máximos de radiação solar global de Piracicaba-SP Carlos José dos Reis 1 3 Luiz Alberto Beijo 2 1 Introdução A ocorrência de eventos climáticos extremos, que ocasionam impactos ambientais,
Leia mais0.1 Modelação de dados
0.1. MODELAÇÃO DE DADOS 1 0.1 Modelação de dados Comecemos por admitir que temos acesso a dados (x 1,..., x n ) que podem ser encarados como observações de variáveis aleatórias independentes e identicamente
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisProcesso de Poisson aplicado à incidência de temperaturas extremas prejudiciais à cultura de café no município de Machado-MG
Processo de Poisson aplicado à incidência de temperaturas extremas prejudiciais à cultura de café no município de Machado-MG Eleanderson Campos Eugênio Filho 1 Deive Ciro de Oliveira 2 1 Introdução O Brasil,
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisVERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1
PREFÁCIO VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS xiii DO EXCEL... xv Capítulo 1 VARIÁVEIS E AMOSTRAS 1 VARIÁ VEIS 4 NÚMERO DE VARIÁVEIS 5 CLASSIFICAÇÃO DAS VARIÁVEIS 6 ESCALA DE MEDIÇÃO DAS VARIÁVEIS 7 POPULAÇÃO
Leia maisModelagem 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 maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia maisComparação do desempenho de diferentes níveis aleatórios na metodologia PORT
Comparação do desempenho de diferentes níveis aleatórios na metodologia PORT Paulo Araújo Santos Instituto Politécnico de Santarém, ESGS paulo.santos@esgs.pt Isabel Fraga Alves Universidade de Lisboa,
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisTeste χ 2 de aderência
Teste χ 2 de aderência Chuck Norris Arnold Schwarzenegger 15 de julho de 2013 Resumo O teste χ 2 de aderência é considerado para testar a hipótese de que uma distribuição de probabilidades as frequências
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia 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 maisModelagem estatística não-estacionária dos níveis mínimos de umidade relativa do ar em Piracicaba-SP
Modelagem estatística não-estacionária dos níveis mínimos de umidade relativa do ar em Piracicaba-SP Carlos José dos Reis 1 4 Mariana M. G. Santos 2 4 Luiz Alberto Beijo 3 4 Resumo: A modelagem dos níveis
Leia maisCapítulo 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
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
Leia maisCapítulo 1. ˆ Observações correlacionadas são mais difíceis de analisar e requerem técnicas
Capítulo 1 Introdução Uma série temporal é uma coleção de observações feitas sequencialmente ao longo do tempo. A característica mais importante deste tipo de dados é que as observações vizinhas são dependentes
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisMODELOS LINEARES DINÂMICOS APLICADOS EM SÉRIES TEMPORAIS DE CAPTAÇÃO DA CAIXA ECONÔMICA FEDERAL POR POUPANÇA
MODELOS LINEARES DINÂMICOS APLICADOS EM SÉRIES TEMPORAIS DE CAPTAÇÃO DA CAIXA ECONÔMICA FEDERAL POR POUPANÇA Lucas Lopes dos Santos Haine Brasília - DF 2014 Lucas Lopes dos Santos Haine MODELOS LINEARES
Leia maisModelagem 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:
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisAbordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais. Resumo
Abordagem Bayesiana adaptativa para Vigilância online de Clusters Espaciais Max Sousa de Lima 1 Luiz Henrique Duczmal 2 Resumo Nesta trabalho, nós desenvolvemos um método Bayesiano para modelagem, detecção
Leia maisMétodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisVanda Pires. Divisão de Clima e Alterações Climáticas Agradecimentos: Fátima E. Santo e Álvaro Silva
Aplicações Estatísticas em Climatologia Statistical Applications in Climatology Vanda Pires Agradecimentos: Fátima E. Santo e Álvaro Silva Divisão de Clima e Alterações Climáticas vanda.cabrinha@ipma.pt
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES
Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Estatística ESTUDO SOBRE A TAXA ANUAL DE CÂNCER NASAL EM UMA REFINARIA DE NÍQUEL NO PAÍS DE GALES CE225 - Modelos Lineares Generalizados
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 maisIntrodução 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 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística INTERVALOS DE CONFIANÇA: Diferentes pesquisadores, selecionando amostras de uma mesma
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Noções básicasb de Inferência Estatística descritiva inferencial População - Parâmetros desconhecidos (reais) Amostra
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia mais7 Teste de Hipóteses
7 Teste de Hipóteses 7-1 Aspectos Gerais 7-2 Fundamentos do Teste de Hipóteses 7-3 Teste de uma Afirmação sobre a Média: Grandes Amostras 7-4 Teste de uma Afirmação sobre a Média : Pequenas Amostras 7-5
Leia maisRevisão de Modelos de regressão. Prof. Thais C O Fonseca - DME, UFRJ
Revisão de Modelos de regressão Prof. Thais C O Fonseca - DME, UFRJ Conteúdo Regressão linear simples Regressão linear múltipla Método de Mínimos Quadrados Introdução a Inferência Bayesiana em Regressão
Leia mais7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS
7 CONCLUSÕES E SUGESTÕES PARA TRABALHOS FUTUROS 7.1. Conclusões Neste trabalho foi estudado o problema da dinâmica da atenuação aplicado a dados resultantes de 28 anos-sítio, sendo 7 de enlaces via satélite
Leia maisCOMPORTAMENTO 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
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 maisIntervalos de Confiança
Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisAGA Análise de Dados em Astronomia I. 1. Introdução
1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que
Leia maisCap. 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.
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisColeta e Modelagem dos Dados de Entrada
Slide 1 Módulo 02 Coleta e Modelagem dos Dados de Entrada Prof. Afonso C. Medina Prof. Leonardo Chwif Três Etapas Coleta Tratamento Inferência Coleta dos Dados 1. Escolha adequada da variável de estudo
Leia maisAnalise de sobreviventes em acidentes de carros
Analise de sobreviventes em acidentes de carros Modelos Lineares Generalizados Lais Hoffmam GRR20159455 Simone Matsubara GRR20124663 Willian Meira GRR20159077 Yasmin Fernandes ISO20180365 Curitiba 2018
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisAnálise de Valores Extremos: Uma Introdução
Análise de Valores Extremos: Uma Introdução M. Ivette Gomes C.E.A.U.L. e D.E.I.O., F.C.U.L., Universidade de Lisboa, Instituto de Investigação Científica Bento da Rocha Cabral M. Isabel Fraga Alves D.E.I.O.,
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisEstimação da Resposta em Frequência
27 Estimação da Resposta em Frequência jω Ge ( ) = jω Ye ( ) jω Ue ( ) Objectivo: Calcular a magnitude e fase da função de transferência do sistema, para um conjunto grande de frequências. A representação
Leia maisMESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA. 1ª Chamada 10/01/2008.
MESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA 1ª Chamada 10/01/2008 Parte Teórica DURAÇÃO : 50 min COTAÇÃO DA PARTE TEÓRICA: 8 Valores em 20 PERGUNTAS DE
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
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 maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisEstimativas e Tamanhos de Amostras
Estimativas e Tamanhos de Amostras 1 Aspectos Gerais 2 Estimativa de uma Média Populacional: Grandes Amostras 3 Estimativa de uma Média Populacional: Pequenas Amostras 4 Tamanho Amostral Necessário para
Leia maisOutras distribuições contínuas. Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc...
Outras distribuições contínuas Gama Qui-quadrado t-student F-Snedecor Pareto Weibull Beta Log-Normal Meia-normal Cauchy etc... 1 c) Algumas distribuições de probabilidade contínuas importantes d) Distribuição
Leia maisSimulação de Sistemas. Adaptado de material de Júlio Pereira Machado (AULA 17)
Simulação de Sistemas Adaptado de material de Júlio Pereira Machado (AULA 17) Análise dos Dados de Saída Além das tarefas de modelagem e validação, devemos nos preocupar com a análise apropriada dos resultados
Leia maisO tempo de sobrevivência é uma variável aleatória T, contínua e positiva.
ESPECIFICAÇÃO DO TEMPO DE SOBREVIVÊNCIA O tempo de sobrevivência é uma variável aleatória T, contínua e positiva. Os valores que T pode assumir têm alguma distribuição de probabilidade que pode ser especificada
Leia maisEstatística Indutiva
Estatística Indutiva MÓDULO 7: INTERVALOS DE CONFIANÇA 7.1 Conceitos básicos 7.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisMEEMF-2010 Aula 01. Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana
MEEMF-2010 Aula 01 Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana O que é inferência estatística? Inferência estatística é o importante ramo da Estatística
Leia mais11º ENTEC Encontro de Tecnologia: 16 de outubro a 30 de novembro de 2017
ESTUDO DA INTENSIDADE DE PRECIPITAÇÃO PARA A CIDADE DE UBERABA Andréia Cristina da Silva¹, André Luís Teixeira Fernandes², Leonardo Campos Assis³. 1 Acadêmica do curso de Engenharia Ambiental da Universidade
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
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 maisColeta e Modelagem dos Dados de Entrada
Coleta e Modelagem dos Dados de Entrada Capítulo 2 Páginas 24-52 Este material é disponibilizado para uso exclusivo de docentes que adotam o livro Modelagem e Simulação de Eventos Discretos em suas disciplinas.
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisAbstract An application of the extreme value theory to the risk valuation of reinsurance treaties Eduardo Fraga Lima de Melo 1 MBA in Finance; current
Uma Aplicação da Teoria de Valores Extremos para Avaliação do Risco de Contratos de Resseguro Eduardo Fraga Lima de Melo 1 Doutorando e Mestre em Administração (Finanças) pelo Instituto COPPEAD de Administração/UFRJ,
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 maisAnálise estatística da série temporal de precipitação do município de São João do Cariri-PB
Análise estatística da série temporal de precipitação do município de São João do Cariri-PB Manoel Rivelino Gomes de Oliveira 1 Moacyr Cunha Filho 2 Ewerton Pereira de Oliveira 3 Maria Das Vitórias Alexandre
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia mais5 Modelos de previsão
5 Modelos de previsão 5.1 Previsão de séries temporais Um método comum para escrever o problema de previsão de séries temporais em uma estrutura de estimação por regressão é considerar as séries temporais
Leia maisAnálise de Sobrevivência
Análise de Sobrevivência Modelagem paramétrica Valeska Andreozzi 1 valeska.andreozzi@fc.ul.pt & Marilia Sá Carvalho 2 cavalho@fiocruz.br 1 Centro de Estatística e Aplicações da Universidade de Lisboa,
Leia maisAjuste e comparação de modelos para dados grupados e censurados
Ajuste e comparação de modelos para dados grupados e censurados 1 Introdução José Nilton da Cruz 1 Liciana Vaz de Arruda Silveira 2 José Raimundo de Souza Passos 2 A análise de sobrevivência é um conjunto
Leia maisVariável Aleatória Contínua:
Distribuição Contínua Normal Luiz Medeiros de Araujo Lima Filho Departamento de Estatística UFPB Variável Aleatória Contínua: Assume valores num intervalo de números reais. Não é possível listar, individualmente,
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia mais