Variabilidade. Módulo 3

Documentos relacionados
Population Viability Analysis. Módulo 14

Implementação e desenvolvimento de modelos matriciais populacionais aplicados a tubarões de profundidade

Módulo 14 Population Viability Analysis (PVA)

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241

Introdução aos Algoritmos Genéticos

Estatística e Modelos Probabilísticos - COE241

PLANIFICAÇÃO FACTORIAL UM PROCESSO OU SISTEMA PODE SER REPRESENTADO POR UM MODELO:

INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO

Probabilidade e Modelos Probabilísticos

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018

Estatística e Modelos Probabilísticos - COE241

Introdução aos Processos Estocásticos em Engenharia Elétrica 1

Modelagem e Análise de Sistemas - COS767

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017

Modelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal

Conceito de Estatística

Momentos: Esperança e Variância. Introdução

Avaliação de Desempenho de Sistemas Discretos

Ecologia de Populações

Probabilidade II. Departamento de Estatística. Universidade Federal da Paraíba

Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA

MESTRADO INTEGRADO EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES PROBABILIDADES E ESTATÍSTICA. 1ª Chamada 10/01/2008.

Exercícios de programação

Cópias dos acetatos da disciplina

Conservação e Gestão. Um fio condutor para organizar ideias

5. Introdução à simulação

Noções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23

Aproximação da binomial pela normal

ESTATÍSTICA. x(s) W Domínio. Contradomínio

Estatística Aplicada

Instrumentação Industrial. Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição

Distribuição Gaussiana

IND 1115 Inferência Estatística Aula 7

Estatística Indutiva

Finanças Corporativas. Análise de Sensibilidade. Métodos de Avaliação de Risco. Motochoque Ltda. Análise de Risco

Pesquisa Quantitativa. Modelos Probabilísticos. Pesquisa Quantitativa Roteiro Geral. Roteiro do Módulo

Simulação Monte Carlo

Organização e Análise de Projectos. A análise de projectos face ao risco e à incerteza

Métodos Computacionais em Física

Estatística e Modelos Probabilísticos - COE241

Verificar como a distribuição normal pode ser utilizada para calcular, l de forma aproximada, probabilidades associadas a uma variável aleatória com

Introdução a Métodos de Estimativas Populacionais

Física Geral. Incertezas em Medidas Diretas

Algoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:

Módulo 3. Variabilidade - PRÁTICAS

Algoritmos Evolutivos Canônicos

Monte Carlo Method. Peter Frank Perroni. December 1, Monte Carlo Simulation

Introdução aos Proc. Estocásticos - ENG 430

Capítulo 3. Introdução à Probabilidade E à Inferência Estatística

Geração de números uniformes

Amostragem Aleatória Simples. Exercício Resolvido 4

- desvio padrão, caracteriza a dispersão dos resultados

Distribuições de Probabilidade. Variáveis aleatórias contínuas

Distribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal

O papel da estatística na ciência. Camila de Toledo Castanho

Introdução às Medidas em Física a Aula. Nemitala Added Prédio novo do Linac, sala 204, r. 6824

Algoritmos Probabilísticos

Algoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva

O papel da estatística na ciência. Camila de Toledo Castanho

Laboratório de Termodinâmica e Estrutura da Matéria Docente: João Fonseca,

6- Probabilidade e amostras: A distribuição das médias amostrais

Simulação com Modelos Teóricos de Probabilidade

Amostragem. Cuidados a ter na amostragem Tipos de amostragem Distribuições de amostragem

Introdução a Algoritmos Genéticos

Dinâmica de Populações. Capítulo - 48

Estatística e Modelos Probabilísticos - COE241

Estatítica Descritiva e Exploratória

Um robô está num corredor. Ele possui um mapa do corredor mas não sabe onde está localizado. A parede do corredor e indistinta, exceto pelas portas.

SIMULAÇÃO DE ACONTECIMENTOS DISCRETOS

Conceitos introdutórios

Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:

3. Conceitos Introdutórios. Qualidade em Análise Química

Simulação a Eventos Discretos. Fernando Nogueira Simulação 1

Indexando permutações

ESTATÍSTICA ECONÔMICA A 6EMA

Sistemas Aleatórios. Um sistema é aleatório quando seu estado futuro só pode ser conhecido. jogar uma moeda ou um dado. decaimento de uma partícula

rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas

Aula 7. Aula de hoje. Aula passada

EXERCÍCIOS SOBRE TESTE T

Teorema do Limite Central

Introdução à Bioestatística Turma Nutrição

Unidade IV Inferência estatística

Introdução às Medidas em Física 2 a Aula *

Processos Hidrológicos CST 318 / SER 456. Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016

Variável aleatória. O resultado de um experimento aleatório é designado variável aleatória (X)

CAPÍTULO 6 CARACTERÍSTICAS DE OPERAÇÃO DOS PLANOS DE AMOSTRAGEM

EAD Simulação. Aula 2 Parte 2: Tipos de Simulação. Profa. Dra. Adriana Backx Noronha Viana

Tolerância a Falhas. June 2, 2010

Aproximação da binomial pela normal

Distribuições Importantes. Distribuições Discretas

Exame de Segurança Estrutural Mestrado em Estruturas de Engenharia Civil Duração: 2horas 15/04/1998

2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.

GET00116 Fundamentos de Estatística Aplicada Lista de Exercícios de Revisão para a P2 Profa. Ana Maria Farias

Avaliação de Desempenho

3 3. Variáveis Aleatórias

Introdução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:

Transcrição:

Variabilidade Módulo 3

O boi almiscarado revisitado 750 Núm indivíduos 500 250 A taxa de incremento anual é constante? 0 1930 1940 1950 1960 1970 1980 Anos

Variabilidade em A taxa = N t+1 /N t variou todos os anos em torno do valor médio (a tracejado) 1.3 1.2 1.1 1 0.9 1945 1950 1955 1960 1965 1970 Ano

Pressupostos na projecção de N t para N t+1 1. Em N t+1 = N t, podemos usar o valor médio de ( variabilidade de não é demasiado alta) Podemos negligenciar a variabilidade ambiental que afecta 2. A população é suficientemente grande para se poder ignorar a incerteza inerente aos processos de nascimento e morte. Podemos negligenciar a estocasticidade demográfica

Estocasticidade Demográfica (ED) O nascimento e morte de indivíduos tem características aleatórias. Não é possivel dizer exactamente quantos indivíduos vão nascer e morrer entre t e t+1. Aleatoriedade inerente aos processos de nascimento e morte designa-se por: Estocasticidade Demográfica

Quando é que tenho de me preocupar com a ED? Se a população é muito pequena risco de extinção por razões aleatórias aumenta. População pode-se extinguir mesmo se > 1! Explos: Colonização Populações nas margens da distribuição da espécie Populações exploradas (caça e pesca)

Modelos determinísticos e estocásticos Determinísticos Usam parâmetros constantes (explo: constante) Em geral, as mesmas condições iniciais conduzem ao mesmo resultado (N 0, n) ( N n ) Estocásticos, aleatórios ou probabilísticos Usam parâmetros que variam. em geral de acordo com uma distribuição de probabilidades pré-definida. As mesmas condições iniciais não conduzem ao mesmo resultado (N 0, n) ( N n, N n, N n,...) DISTRIBUIÇÃO DE RESULTADOS

Fontes de incerteza sobre N t+1 Variações ambientais físicas Variações ambientais biológicas N t Erros de medição Estocasticidade Demográfica Incerteza sobre a estrutura do modelo biomatemático

Probabilidades de sobreviver e numero descendentes por individuo entre t e t+1 = S t (1+b t ) Referem-se ao individuo S t b t b t St t t+1

Parâmetros do boi almiscarado S t = 0.921 Probabilidade sobreviver entre t e t+1 b t = 0.246 Probabilidade de ter 1 filho em t b t S t = 0.227 Probabilidade do filho estar vivo em t+1 Nunivak Island 31 indivíduos (1936)

Simulação de ED (sobrevivência) X é um npa retirado duma distrib. uniforme se X > 0.921 se X < 0.921 Não sobrevive sobrevive t t+1 Repetir para os 31 animais

Simulação de ED (natalidade) Repetir, simultâneamente, para os 31 animais: Y é um npa retirado duma distrib. uniforme se Y > 0.227 se Y < 0.227 Sem descendente 1 descendente sobrevive t t+1

Repetições Para 31 animais Este animal deixa descendente? Sobrevive? Repetir 10, 100, 1000,... vezes Cada repetição origina um número diferente de indivíduos em t+1!

Simulações: N t =31, 50 réplicas Modelo determinístico: N t = 31 N t+1 = N t = (1.148 31) = 35.6 10 8 Modelo estocástico 50 réplicas Média do histograma = 35.02 Frequência 6 4 2 0 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Núm indivds em t+1

Questões a que o modelo estocástico responde Por exemplo: Probabilidade de N t+1 31 indivíduos? Probabilidade de a população crescer 10% ou mais? Probabilidade de extinção? Etc.

Curva de risco de t para t+1 Probabilidade de sobreviverem Z ou menos indivíduos 1.0 0.8 0.6 0.4 0.2 0.0 Frequências Frequências N t+1 absolutas Relativas Cumuladas 28 1 0.02 0.02 29 0 0.00 0.02 30 3 0.06 0.08 31 4 0.08 0.16 32 2 0.04 0.20 33 6 0.12 0.32 34 6 0.12 0.44 35 3 0.06 0.50 36 7 0.14 0.64 37 9 0.18 0.82 38 3 0.06 0.88 39 2 0.04 0.92 40 3 0.06 0.98 41 1 0.02 1.00 2342 25 270 29 310.0033 351.0037 39 41 43 50 número 1.00 em N t+1 (Z) Probabilidade ou risco" de N t+1 31

Risco Risco = Probabilidade (em geral de um acontecimento adverso) ocorrer num intervalo de tempo Ex plos : A população descer abaixo de x indivíduos nos proximos 3 anos Uma praga ultrapassar a densidade Y antes de 2010 A população extinguir-se em 100 anos

Simulação de ED (natalidade) Repetir, simultâneamente, para os 31 animais: X é o número de filhos por indivíduo em (t, t+1) b é Y o número é um npa médio retirado de filhos duma por distrib. indivíduo uniforme em (t, t+1) P(X =K) Distr Poisson(b) Sem descendente X se é obtido Y > 0.227 gerando n.p.a s de Poisson(b) X = 0, 1, 2, 3,... (Há 1 descendente sobrevive se Y algoritmos < 0.227 próprios para isto) t t+1

E se S t e b t também variam? Até aqui: S t e b t constantes Na realidade: FACTORES AMBIENTAIS afectam S t, b t e, portanto,

A variação ambiental torna função de t Recorde-se que N t+1 =N t Admitamos que pode variar em cada (t, t+1), então: N t+1 =N t t passa a ser função de t Como atribuir valores a t em cada intervalo (t, t+1)?

Distribuição de frequências de A taxa 1.3 = N t+1 /N t variou todos os anos 1.2 1.1 1 0.9 10 1945 1950 1955 1960 1965 1970 Ano 8 Frequência 6 4 2 0 0.9 a 0.94 0.95 a 0.99 1.00 a 1.04 1.05 a 1.09 1.1 a 1.14 1.15 a 1.19 1.2 a 1.24 1.25 a 1.29 taxa de crescimento

Atribuiçao de valores a t Frequencias absolutas 10 8 Frequência 6 4 2 0 0.9 a 0.94 0.95 a 0.99 1.00 a 1.04 1.05 a 1.09 1.1 a 1.14 1.15 a 1.19 1.2 a 1.24 1.25 a 1.29 1.0 Frequencias relativas cumuladas 0.952 1.000 0.8 0.810 Probabilidades 0.6 0.4 0.2 0.0 0.048 0.048 0.9 a 0.94 0.95 a 0.99 0.095 0.095 1.00 a 1.04 1.05 a 1.09 0.381 1.1 a 1.14 1.15 a 1.19 1.2 a 1.24 1.25 a 1.29 npa t 0.00 a 0.048 0.9 a 0.99 0.049 a 0.095 1.00 a 1.09 0.096 a 0.381 1.1 a 1.14 0.382 a 0.810 1.15 a 1.19 0.811 a 0.952 1.2 a 1.24 0.953 a 1.00 1.25 a 1.29 Intervalos de

Simulação dos próximos anos: uma réplica Fazer muitas réplicas! N t npa 1 1 npa 2 2 npa 4 4 npa 3 3 t=1 t=2 t=3 t=4 t=5 mínimo

Projecções estocasticas da população Baseado em 1000 réplicas maximos 1 desvio-padr. minimos

Curvas de risco a prazo N minimo Frequências Frequências Nos proximos 10 anos absolutas Relativas Cumuladas 15 0 0.00 0.00 16 0 0.00 0.00 17 2 0.00 0.00 18 3 0.00 0.01 19 11 0.01 0.02 20 8 0.01 0.02 21 15 0.02 0.04 22 16 0.02 0.06 23 35 0.04 0.09 24 61 0.06 0.15 25 84 0.08 0.24 26 111 0.11 0.35 27 136 0.14 0.48 28 159 0.16 0.64 29 152 0.15 0.79 30 71 0.07 0.86 31 44 0.04 0.91 32 40 0.04 0.95 33 26 0.03 0.97 34 17 0.02 0.99 35 6 0.01 1.00 36 3 0.00 1.00 37 0 0.00 1.00 1000 1.00

Curvas de risco a prazo N minimo Frequências Frequências Nos proximos 10 anos absolutas Relativas Cumuladas 15 0 0.00 0.00 16 0 0.00 0.00 17 2 0.00 0.00 18 3 0.00 0.01 19 11 0.01 0.02 20 8 0.01 1.0 0.02 21 15 0.02 0.9 0.04 22 16 0.02 0.06 23 35 0.04 0.8 0.09 24 61 0.06 0.15 0.7 25 84 0.08 0.24 26 111 0.11 0.6 0.35 27 136 0.14 0.48 28 159 0.16 0.5 0.64 Probabilidade de nos 29 152 0.15 0.4 0.79 30 71 0.07 proximos 0.86 10 anos 31 44 0.04 0.3 0.91 N 25 32 40 0.04 0.95 0.2 33 26 0.03 0.97 34 17 0.02 0.1 0.99 35 6 0.01 1.00 0.0 36 3 0.00 1.00 37 0 0.00 15 16 17 1.00 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 1000 1.00 Populaçao minima Probabilidade