disciplinas:ce003ambko-2014-01:historico

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

Você está aqui: start » disciplinas » ce003ambko-2014-01 » historico

Diferenças

Aqui você vê as diferenças entre duas revisões dessa página.

--- disciplinas:ce003ambko-2014-01:historico [2014/04/22 09:23]
paulojus
+++ disciplinas:ce003ambko-2014-01:historico [2014/05/05 18:41]
paulojus
@@ Linha 37: / Linha 37: @@
 | 31/03 Seg |v.a. contínuas: distribuição normal (cont) |Cap 7.4: 7.4.2 |Cap 7: 14 a 20, 34 a 38  |
 | 02/04 Qua |1a prova |Cap 5, 6 e 7 |  |
-| 07/04 Seg |Outras v.a's contínuas (Beta, Gama, Weibull, t, etc). Convergência e aproximação normal à Binomial e Poisson. Transformação de variáveis. Introdução a estatística descritiva: uni e bi(multi)variada, tipos de variáveis (qualitativa: nominal e ordinal, quantitativa: discreta e contínua)  |Cap 7: 7.5, 7.6 e 7.7. Cap 2: 2.1, 2.2 e 2.3 |Cap: 7: 25, 26, 39. [[#07/04|Ver abaixo]]  |
+| 07/04 Seg |Outras v.a's contínuas (Beta, Gama, Weibull, t, etc). Convergência e aproximação normal à Binomial e Poisson. Transformação de variáveis. Introdução a estatística descritiva: uni e bi(multi)variada, tipos de variáveis (qualitativa: nominal e ordinal, quantitativa: discreta e contínua)  |Cap 7: 7.5, 7.6 e 7.7. Cap 2: 2.1, 2.2 e 2.3 |Cap: 7: 25, 26, 39. |[[#07/04|Ver abaixo]]  |
+| 09/04 Qua |Estatística descritiva. Exemplos e interpretações de gráficos, tabelas e medidas. Gráficos: barras (1 e 2 variáveis), histogramas, histogramas suavizados, ramo-e-folhas, //box-plot// |Cap 1-3 |  |
+| 14/04 Seg |sem aula presencial | |  |
+| 16/04 Qua |Avaliação semanal. Medidas estatísticas - medidas de posição, dispersão, assimetria e curtose. Dados atípicos |Cap 3 |Cap 3: 1 a 41  | [[#16/04|Ver abaixo]]  |
+| 21/04 Seg |feriado - Tiradentes | |  |
+| 23/04 Qua |análises descritivas bi-dimensionais. gráficos, tabelas e medidas de associação |Cap 4 |Cap 4: 1 a 15.   |[[http://onlinestatbook.com/2/describing_bivariate_data/bivariate.html|Material online]]: \\ Describing Bivariate Data |
+| 28/04 Seg |Avaliação semanal. Introdução a inferência estatística |Cap 10 |  |
+| 30/04 Seg |Inferência estatística |Cap 10 |Cap 10: 1, 3, 7 a 13  |[[#30/04|Ver abaixo]] códigos utilizados na aula |
+| 05/05 Seg |Avaliaçõa semanal. Discussão sobre a avaliaçõa e esquemas de amiostragem. Inferência estatística |Cap 10 |Cap 10: 21 a 28  |[[#30/04|Ver abaixo]] códigos utilizados na aula |
@@ Linha 73: / Linha 80: @@
 === 07/04 ===
   - Veja [[http://leg.ufpr.br/~paulojus/embrapa/Rembrapa/|no link exemplos de análises uni e bivariadas]] para um conjunto de dados em B&M
+=== 16/04 ===
+  - Fazer uma pesquisa sobre o conceito e usos de médias geométrica e harmônica.
+=== 30/04 ===
+<code R>
+##
+## Exemplo 1:
+##
+## definindo uma pequena população
+POP1 <- c(34, 45, 28, 29, 35, 38, 41, 36, 33, 40)
+POP1
+## tamanho da amostra:
+n <- 3
+## uma amostra
+(am1 <- sample(POP1, size=n))
+## estatísticas
+(t1 <- mean(am1))
+(t2 <- min(am1))
+(t3 <- diff(range(am1)))
+(t4 <- (min(am1) + max(am1))/2)
+## outra amostra
+(am2 <- sample(POP1, size=n))
+## estatísticas
+mean(am2)
+min(am2)
+diff(range(am2))
+(min(am2) + max(am2))/2
+## PARAMETRO
+(theta1 <- mean(POP1))
+## estimadores:
+## das estatistica acima: t1 e t4 são possíveis estimadores para theta1
+##
+## Exemplo 2:
+##
+## definindo uma população "grande"
+POP2 <- round(rbeta(1000000, 6, 9)*100, dig=1)
+THETA <- mean(POP2)
+## tamanho de amostra
+n <- 20
+## uma amostra
+(am1 <- sample(POP2, size=n))
+(t1 <- mean(am1))
+## obtendo agora 10 amostra e as estimaticas em cada uma delas:
+(ams <- replicate(10, sample(POP2, size=n)))
+apply(ams, 2, mean)
+## 10 amostras agora de tamanho 50. as estimativas variam menos
+ams50 <- replicate(10, sample(POP2, size=50))
+apply(ams50, 2, mean)
+## agora 500 amostras de tamanho 20
+## as estimativas formam a "distribuição amostral"
+ams <- replicate(500, sample(POP2, size=n))
+mds <- apply(ams, 2, mean)
+mean(mds)
+hist(mds, prob=T)
+lines(density(mds))
+## ... e 500 amostras de tamanho 50
+ams50 <- replicate(500, sample(POP2, size=50))
+mds50 <- apply(ams50, 2, mean)
+mean(mds50)
+hist(mds50, prob=T)
+lines(density(mds50))
+curve(dnorm(x, m=mean(POP2), sd=sd(POP2)/sqrt(50)), from=30, to=50, col=2, add=T)
+## qual estimador? no exemplo t1 t4
+## pode-se comparar caracteristicas das distribuições amostrais para escolher
+## o estimador mais eficiente (menos variabilidade)
+## para o t1
+plot(density(mds))
+minmax <- apply(ams, 2, function(x) (min(x) + max(x))/2)
+## para o t4
+mean(minmax)
+lines(density(minmax), col=2)
+## Na prática se utiliza apenas uma amostra.
+## Em certos casos (como média amostral)
+## a distribuição amostral pode ser obtida por resultados teóricos
+##
+## distribuições amostrais obtidas: por multiplas amostras e teórica
+plot(density(mds))
+curve(dnorm(x, m=mean(POP2), sd=sd(POP2)/sqrt(20)), from=30, to=50, col=2, add=T)
+## decisão baseada na distribuição amostral
+## os valores abaixo seriam considerados "incompatíveis" com a distribuição
+abline(v=38)
+abline(v=32)
+## Exemplo 3:
+## Simulando uma pesquisa eleitoral
+## para intencao de voto de um unico candidato
+## armazenando o valor (populacional e desconhecido) da intenção de voto
+set.seed(123456)
+THETA <- runif(1, 0, 1)
+## tirando uma amostra de tamanhos 2500
+am <- sample(c(0,1), size=2500, prob=c(1-THETA, THETA), rep=T)
+## estimativa baseada na amostra
+(est <- mean(am))
+## Margem de erro (baseada na distribuição amostra "teórica"
+(ME <- 1.96 * sqrt((est*(1-est))/2500))
+##
+curve(dnorm(x, m=est, sd=sqrt((est*(1-est))/2500)), from=0.75, to=0.85)
+abline(v=est)
+abline(v=est + c(-1, 1)*ME, lty=2)
+abline(v=THETA, col=2)
+## margem de erro "conservadora" (usando theta=0,5 na expressão da variancia do estimador)
+(MEcons <- 1.96 * sqrt(1/(4*2500)))
+</code>

Diferenças

Navegação

Busca

Ferramentas

QR Code