Não foi possível enviar o arquivo. Será algum problema com as permissões?

Essa é uma revisão anterior do documento!


CE-003 Turma AMB - Primeiro semestre de 2012

CE-003 Turma AMB - Primeiro semestre de 2012

No quadro abaixo será anotado o conteúdo dado em cada aula do curso.
São indicados os Capítulos e Sessões correspondentes nas referências bibliográficas do curso, bem como exercícios sugeridos destes livros.

Abaixo da tabela há ainda Atividades Complementares.

Referências


Observação sobre exercícios recomendados os exercícios indicados são compatíveis com o nível e conteúdo do curso.
Se não puder fazer todos, escolha alguns entre os indicados.


Conteúdos das Aulas

B & M M & L Online
Data Conteúdo Leitura Exercícios Leitura Exercícios Tópico
PARTE I: ESTATÍSTICA DESCRITIVA E ANÁLISE EXPLORATÓRIA DE DADOS
05/03 Informações sobre o curso.
Apresentação das três partes do curso: estatística descritiva, probabilidades e inferência estatística
Obtenção de dados: estudos experimentais e observacionais. Uma discussão introdutória sobre amostragem.
Introdução a organização e análise descritiva de dados.
Cap 1 e 2 Cap 1 No material online:
I . Introduction
07/03 Informações adicionais sobre o curso.
Análise descritiva de dados (cont.)
Uso de gráficos, tabelas e medidas no resumo de dados.
Introdução a análises uni e bi-variadas
Histogramas, histogramas suavizados, gráficos box-plot e ramo e folhas
Aspectos da distribuição dos dados: posição, dispersão, assimetria, dados atípicos
Demonstração computacional e introdução ao uso do R.
Cap 2 e 3 Cap 3: 1 a 6 Cap 1 e 4 Sec 4.2: 1 a 3 Material online:
Graphing Distributions
12/03 1a avaliação semanal (AS)
Análise descritiva de dados (cont.)
Tipos de variáveis (qualitativas nominais e ordinais, quantitativas discretas e contínuas).
Análises uni e bi-variadas
Associação entre variáveis e interpretações
Cap 2 Cap 2: 2, 4, 6 e 7 Cap 1 e 4 Sec 1.2: 1 a 5 Um exemplo de passos e comandos para análises descritivas
14/03 Análise descritiva de dados (cont.)
Medidas estatísticas resumindo dados
Medidas centrais: moda, mediana, média
outras médias: geométrica, harmônica, aparada, generalizada e ponderada
medidas de dispersão: amplitude, variância e desvio padrão, desvio médio, quartis e amplitude interquartílica
outros tópicos: quantis (decis, percentis, etc), escores padronizados
Cap 3 Cap 3: 1 a 6, 7, 11, 12, 13, 16 Cap 4 Sec 4.2: 1 a 3, Sec 4.3: 1 a 3, Sec 4.4: 1 a 7 Material online::
Summarizing Distributions
19/03 2a avaliação semanal (AS)
Análise descritiva de dados (cont.)
Análise de exploratória de dados em séries de tempo
Análises bivariadas: quantitativa x quantitativa
diagramas de dispersão
medidas de associação: coeficientes de correlação
Cap 4 Cap 4: 1 a 15 Cap 5, Sec 5.2 (ver tb B&M) Material online
21/03 Análise descritiva de dados (cont.)
Análises bivariadas: qualitativa x qualitativa, quantitativa x qualitativa, quantitativa x quantitativa
gráficos, tabelas e medidas
medidas de associação: chi-quadrado e coeficientes de contingência, comparações de grupos (médias etc) e coeficientes de correlação
Introdução e fundamentos da análise de componentes principais
Cap 4 Cap 4: 1 a 15 Cap 5, Sec 5.2 (ver tb B&M) Material online:
Describing Bivariate Data
PARTE II: PROBABILIDADES E VARIÁVEIS ALEATÓRIAS
26/03 3a avaliação semanal
Introdução a probabilidades
Experimentos aleatórios, eventos
Definições (clássica, frequentista, subjetiva e axiomática).
Propriedades de probabilidade
Probabilidade de união, intercecção e condicional.
Eventos mutuamente exclusivos e independentes
Cap 5 Cap 5: 1 a 14 Cap 2Sec 2.1: 1 a 5, Sec 2.3: 1 a 7 Material Online:
Probability (Itens A, B, C, D, E)
28/03 Probabilidades: discussão do vídeo de Peter Donnelly
probabilidades marginais, conjuntas e condicionais. Probabilidade total e Teorema de Bayes.
Exemplos exercícios
Cap 5 Cap 5: 15 a 25 Cap 2 Sec 2.2: 4 a 7, Sec 2.3: 8 a 15 Material Online:
Probability (Itens H, I, J, K)
02/04 4a avaliação semanal. Probabilidades: problemas e paradoxos. Ilustração computacional e simulação Cap 5 Cap 5: 26 a 41 Cap 2 Sec 2.3: 16 a 29 Arquivo de comandos usado na aula
04/04 Variáveis aleatórias: introdução. Variáveis aleatórias discretas. Distribuições Uniforme, Binomial, Geométrica e Binomial Negativa (Pascal) Cap 6 Cap 6: 1 a 6, 20, 21 Cap 3 Sec 3.2: 1 a 7 Material online: Binomial
Material online: Binomial (2)
Material online: hipergeométrica
09/04 5a avaliação semanal. Variáveis aleatórias discretas. função de probabilidades e função acumulada. Esperança e variância. Exemplos. Cap 6 Cap 6: 7, 8, 11, 13, 17, 29 a 33 Cap 3 Sec 3.1: 1 a 6, Sec 3.3: 1 a 6
11/04 v.a. discretas: distribuição de Poisson. Aplicações e exemplos. Processo de Poisson, suas características e aplicações. Introdução a v.a. contínuas. Definições, f.d.p., função acumulada, esperança e variância. Exemplo Cap 6 e Cap 7 Cap 6: 22, 23, 24, 34 a 40 e 56, Cap 7: 1 a 4 Cap 3, Cap 6 Sec 3.4: 1 a 28, Sec 6.1: 1 a 6 Material online:
Distribuição de Poisson
16/04 6a avaliação semanal. V.A. contínuas (continuação): Exemplos e exercícios Cap 7 Cap 7: 5 a 12, 13, 21 Cap 6 Sec 6.2: 1 a 6, Sec 6.3: 1 a 24
18/04
23/04 V.A. contínuas: distribuições uniforme, exponencial e normal Cap 7 Cap 7: 13 a 20 Cap 6 Sec 6.2: 7 a 9, sec 6.3: 25 a 33 Material online:
Distribuição Normal
25/04 2a prova
02/05

Outras distribuições: Gama, Beta, Weibull, F, t, chi-quadrado. Exemplos e ilustracoes computacionais computacionais | | | | | |

07/05 7a avaliação semanal
09/05 sem aula presencial
14/05 Noções de processos estocáticos: exemplos e definição, tempos e estados (discretos e contínuos), modelo probabilístico. Processos de tempo e estados discretos: Cadeia de Markov. Cadeias Finitas, probabilidades de transição, estacionaridade. Matrizes de transição e matrizes estocásticas, transição em M passos, vetor inicial, probabilidades marginais e estados absorventes. ver sessão de complementos desta página ver abaixo
16/05 Introdução a inferência. População e amostra - relações com distribuições de probabilidades. Estimação: estimadores e estimativas. Estimação por máxima verossimilhança. Exemplos. Cap 10. 10.1, 10.2, 10.3. Cap 11: 11.5. Cap 11: 10, 11, 12, 13 Ver B&M Ver B&M
17/09 Informações sobre a retomada do semestre. sem aula com conteúdo
19/09 Revisão dos temas das Partes I e II do curso (est. descritivas e probabilidades). Revisar materiais, provas e testes semanais. Dúvidas/perguntas no LEG
24/09 Teste semanal e continuação - estimação e distribuições amostrais

Materiais Complementares

05/03

  1. Material perdisco: Video 1 : Um vídeo introdutório sobre conceitos e temos básicos em estatística (legenda (CC) disponível)
    • Guia:
      • Quais os tópicos principais da apresentação? Descreva cada um deles com suas próprias palavras.
      • Em cada tópico quais os principais conceitos? Identifique os termos técnicos e defina cada um deles.
      • Pense em outros exemplos análogos aos apresentados no vídeo.
  2. comandos do R usados na aula

data(mtcars)
mtcars
head(mtcars)
 
with(mtcars, range(mpg))
with(mtcars, mean(mpg))
with(mtcars, hist(mpg))
 
with(mtcars, table(am))
with(mtcars, prop.table(table(am)))
with(mtcars, pie(table(am)))
 
with(mtcars, plot(qsec,mpg))
with(mtcars, plot(hp,mpg))

07/03

  1. Material perdisco: Video 2: visualização de dados

12/03

  1. Arquivo com comandos para análises de características de veículos
  2. Arquivo com comandos para análises de desempenho em um curso

14/03

  • Material perdisco: Vídeo 3: medidas que resumem dados (partes I e II)

19/03

  • Comandos com alguns exemplos de séries temporais discutidos em aula
  • Material perdisco: Vídeo 3: medidas que resumem dados (parte III)
  • Hans Rosling no TED Talks
    1. como os dados podem nos ajudar a compreender e destruir mitos sobre a realidade.
    2. Procure identificar ao menos cinco pontos importantes na apresentação para discussão

21/03

  • arquivo de comandos revisado (dados mtcars)
  • A partir da próxima aula vamos iniciar a segunda parte do curso que trata de probabilidades. Como introdução e motivação, assistam antes da aula:
  • Peter Donelly no TED Talks - como estatística e probabilidade podem ser usadas e … abusadas
    • note que voce pode habilitar legendas em inglês, português ou outras línguas, se desejar
    • procure anotar as principais mensagens e conceitos da apresentação
    • se voce tivesse que destacar a descrever 2 (dois) pontos principais da apresentação, quais seriam?

26/03

  • Material perdisco: Vídeo 4: Introdução a probabilidades

09/04

  • Material perdisco: Vídeo 5: Distribuição de probabilidades (v.a. discretas: 0:00 a 5:50)

16/04

  • Material perdisco: Vídeo 5: Distribuição de probabilidades (v.a. contínuas: 5:50 até final)

14/05

  1. Considere a matriz de transição do exemplo de preferência por produto da aula. Escreva um programa para simular realizações desta cadeia (mostre resultados em um gráfico).
    Graph
  2. Considere agora uma matriz de transição mais geral dada a seguir. Generalize seu programa do exemplo anterior e obtenha simulações para diferentes valores de p. Escreva ainda uma rotina que receba os dados de uma cadeia e retorne uma estimativa de p. Use esta rotina para obter valores estimados de p para suas diferentes simulações (com o mesmo p e variando p)
    Graph
  3. Idem anterior com
    Graph
  4. Escreva agora uma rotina que calcule as probabilidades dos estados da cadeia em um passo (tempo) qualquer, a partir da matriz de transição e de um vetor \nu de probabilidades iniciais. Experimente (por simulação) com diferentes valores de P e \nu
  5. Idem anterior para um determinado inicial.
  6. Resuma as conclusões que podem ser obtidas analisando os resultados das simulações anteriores

Parte 2

  1. Estude o comportamento da cadeia definida pela seguinte matriz de transição.
    Graph
  2. Modificar a matriz P dada colocando na ultima linha: (0 0 0 0 0 1). Estude o comportamento da cadeia.
  3. Estude o comportamento da cadeia com matriz de probabilidade de transição dada por
    Graph

Parte 3

Suponha que o tempo predominante no dia em uma cidade vai ser classificado simplesmente como "nublado" ou "ensolarado". Suponha também que as condições do tempo em uma seqüencia de dias formam uma Cadeia de Markov com as seguintes probabilidades estacionárias.

Ensolarado Nublado
Ensolarado 0.7 0.3
Nublado 0.3 0.7

Com estes dados, responda:

  • Se está nublado em um certo dia, qual a probabilidade de também estar nublado no dia seguinte?
  • Se está ensolarado em um certo dia, qual a probabilidade de também estar ensolarado nos dois dias seguintes?
  • Se está nublado em um dia, qual a probabilidade de ocorrer ao menos um dia ensolarado nos próximos tres dias?
  • Se está ensolarado em uma certa quarta-feira, qual a probabilidade de também estar ensolarado no sábado seguinte?
  • Se está nublado em uma certa quinta-feira, qual a probabilidade de também estar ensolarado no sábado seguinte?
  • Se está ensolarado em uma certa quarta-feira, qual a probabilidade de também estar ensolarado no sábado seguinte?
  • Se está ensolarado em uma certa quarta-feira, qual a probabilidade de também estar ensolarado em todo final de semana seguinte?
  • Se está nublado em uma certa sexta-feira, qual a probabilidade de também estar ensolarado em todo final de semana seguinte?
  • Suponha agora que a probabilidade de estar ensolarado em uma certa quinta-feira é de 0,2 (portanto de 0,8 de estar nublado)
    • qual a probabilidade de estar nublado na sexta-feira seguinte?
    • qual a probabilidade de estar nublado no domingo seguinte?
    • qual a probabilidade de estar ensolarado no sábado e no domingo seguintes?

/


QR Code
QR Code disciplinas:ce003amb-2012-01:historico (generated for current page)