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

Essa é uma revisão anterior do documento!


CE-003 Turma AMB/K/O - Primeiro semestre de 2014

CE-003 Turma AMB/K/O - Primeiro semestre de 2014

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

Veja ainda depois da tabela as 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 Online
Data Conteúdo Leitura Exercícios Tópico
10/02 Seg Informações sobre o curso. Percepções e aplicações da estatística. Cap 1 Ver abaixo
PARTE I: PROBABILIDADES
12/02 Qua Fundamentos das três partes deste curso: (i) probabilidades, (ii) estatística descritiva e (iii) inferência estatística.Informações sobre o curso. Percepções e aplicações da estatística. Introdução a probabilidades: definições e conceitos básicos. Experimentos aleatórios, eventos, espaços amostrais, espaços de probabilidades, definições de probabilidades. Propriedades. Cap 5, 5.1, 5.2 Cap 5: 1 a 14
17/02 Seg Probabilidades (cont). Exemplos. Probabilidade Condicional, Independência Cap 5: 5.3 Cap 5: 15 a 22 Ver abaixo
19/02 Qua Probabilidades (cont). Teorema de Bayes. Exemplos e exercícios. O problema dos aniversários, o problema de Monty Hall. Códigos e uso de simulações para estimar probabilidades. Cap 5: 5.5 a 5.6 Cap 5: 23 a 25
24/02 Qua 1a avaliação semanal. Probabilidades (cont). Exemplos e introdução a variáveis aleatórias (discretas). Distribuições binomial, binomial negativa (Pascal) e geométrica Cap 6: 6.1, 6.2, 6.6 (6.6.1, 6.6.2, 6.6.3) Cap 6: 1 a 5, 20 e 21, 57
03/03 Seg Feriado Carnaval
05/03 Qua Feriado Carnaval
10/03 Seg 2a avaliação semanal. Revisão e continuação - Distribuições discretas de probabilidade: Binomial, Hipergeométrica, Geométrica, Pascal (Bin. Negativa), Uniforme, Multinomial e Poisson (+ processo de Poisson) Cap 6, Sec 6.6 e 6.7 Cap 6: 20 a 28, 31 a 38
12/03 Qua Valor esperado, variância, distribuição acumulada e quantis de variáveis discretas. Exercícios. Cap 6: 6.3, 6.4, 6.5 e 6.8. Cap 6: 7 a 19, 29, 30, 39, 40
17/03 Seg 3a avaliação semanal. Introdução a v.a. contínuas. Cap 7: 7.1 e 7.2 Cap 7: 1 a 4
19/03 Seg v.a. contínuas. Cálculo de probabilidades, esperança (média), mediana e quantis (quartis, decis, percentis etc), função acumulada Cap 7: 7.1, 7.2, 7.3, 7.8 Cap 7: 5 a 12 (exceto 11)
24/03 Seg 4a avaliação semanal. Casos especiais de v.a. contínuas. Uniforme e exponencial. A ideia de utilizar outras distribuições e as formas de cálculo de probabilidades Cap 7.4: 7.4.1, 7.4.3, 7.7 Cap 7: 13, 21, 28, 29, 31
26/03 Qua v.a. contínuas: distribuição normal Cap 7.4: 7.4.2 Cap 7: 14 a 20, 34 a 38
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. 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 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. 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 Ver abaixo códigos utilizados na aula
05/05 Seg Inferência estatística Cap 10 Cap 10: 21 a 28 Ver abaixo códigos utilizados na aula

10/02

  • Pesquisar exemplos de aplicações de estatística na sociedade em geral e em sua área de interesse. Trazer para discussão em sala
  • Assistir e debater o vídeo: Educação estatística e sua importância: uma opinião em apenas 3 minutos! (Um vídeo rápido para reflexão)

17/02

  • Resolver o problema dos aniversários: Considere uma turma de 30 alunos, qual a probabilidade de haver uma coincidência qualquer de aniversários neste grupo? Quantos pessoas são necessárias no grupo para que esta probabilidade ultrapasse 0,50?
  1. Problemas para discussão:
    1. Desejamos saber a probabilidade de um casal ter duas filhas (meninas) em três situações distintas:
      • apenas sabendo que eles tem duas crianças
      • depois que o pai comenta que tem uma filha (sem dar mais detalhes, sem indicar se é a mais velha ou mais nova etc)
      • você encontra os amigos e eles estão com uma das crianças com eles que é uma menina

19/02

  1. Dois jogadores (A e B) vão jogar um jogo que consiste no lançamento de dois dados. Ambos começam com R$ 10,00. Se a soma dos dados for um número ímpar, A paga R$ 1,00 para B. Se a soma for par, B paga R$ 1,00 para A.
    • quais os possíveis valores em dinheiro que os jogadores podem ter após 2 rodadas? A chance é a mesma para todos esses possíveis valores?
    • quais os possíveis valores em dinheiro que os jogadores podem ter após 3 rodadas? A chance é a mesma para todos esses possíveis valores?
    • o jogo é honesto?
  2. Considere os problemas a seguir e resolva cada uma deles de duas formas:
    • Solução formal (analítica)
    • Solução (aproximada) por alguma rotina computacional
    1. Um comitê de 12 pessoas é escolhido por sorteio de um grupo de 100 pessoas. Calcule a probabilidade dos indivíduos A e B pertencerem ao grupo escolhido.
    2. Um baralho de 52 cartas contém 4 cartas do tipo ás. Se as cartas são embaralhadas e 13 cartas são divididas entre 4 indivíduos, qual a probabilidade de que algum deles fique com todas as cartas ás.
    3. Se n pessoas terão seus assentos atribuídos ao acaso em uma linha com 2n assentos, qual a probabilidade que não haja pessoas em assentos adjacentes?
  3. Agulha de Buffon: procurar sobre o problema da agulha de Buffon e programar em alguma linguagem de sua escolha. Portar o código na página Espaço Aberto do curso. Verificar a relação do problema com as definições de probabilidades.
  4. Assista o vídeo a seguir, relaciona com os temas discutidos em aula, reflita, discuta com os colegas e/ou em sala.
    • 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 da apresentação
    • se voce tivesse que destacar a descrever 2 (dois) pontos principais da apresentação, quais seriam?

07/04

  1. Veja no link exemplos de análises uni e bivariadas para um conjunto de dados em B&M

16/04

  1. Fazer uma pesquisa sobre o conceito e usos de médias geométrica e harmônica.

30/04

##
## 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)))


QR Code
QR Code disciplinas:ce003ambko-2014-01:historico (generated for current page)