Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Vinícius Dandaro Santos
História Estatística
História Segunda Guerra Mundial
Estatística
História Segunda Guerra Mundial
Estatística Número de tanques produzidos pelos
países do Eixo
Ano: 1939
Ano: 1939
Ano: 1939
Ano: 1939
Ano: 1939
Winston Churchill
Ano: 1939
Winston Churchill Charles de Gaulle
Ano: 1939
Winston Churchill Charles de Gaulle
Franklin D. Roosevelt
Ano: 1939
Winston Churchill Charles de Gaulle
Franklin D. Roosevelt Josef Stalin
Ano: 1939
Winston Churchill Charles de Gaulle
Franklin D. Roosevelt Josef Stalin
Aldof Hitler
Ano: 1939
Winston Churchill Charles de Gaulle
Franklin D. Roosevelt Josef Stalin
Aldof Hitler
Benito Mussolini
Ano: 1939
Winston Churchill Charles de Gaulle
Franklin D. Roosevelt Josef Stalin
Aldof Hitler
Benito Mussolini Hirohito
Serviço de Inteligência
Serviço de Inteligência
1400
Serviço de Inteligência
Estatísticos
1400
Serviço de Inteligência
Estatísticos
1400
246
Serviço de Inteligência
Estatísticos
Produção Real
1400
246
Serviço de Inteligência
Estatísticos
Produção Real
1400
246
245
População/Amostra
População/Amostra
População/Amostra
População/Amostra
População/Amostra
População
População/Amostra
População
Amostra
População/Amostra
População
Amostra
Informação
Variável Aleatória
Variável Aleatória
Variável Aleatória
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
Variável Aleatória
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
X = Quantidade de números menores que 3 em cada lançamento
Variável Aleatória
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
X = Quantidade de números menores que 3 em cada lançamento
(1,2)
Variável Aleatória
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
X = Quantidade de números menores que 3 em cada lançamento
(1,2) X = 2
Variável Aleatória
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
X = Quantidade de números menores que 3 em cada lançamento
(1,2)
(2,5)
X = 2
Variável Aleatória
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
X = Quantidade de números menores que 3 em cada lançamento
(1,2)
(2,5)
X = 2
X = 1
Variável Aleatória
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
X = Quantidade de números menores que 3 em cada lançamento
(1,2)
(2,5)
(4,6)
X = 2
X = 1
Variável Aleatória
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
X = Quantidade de números menores que 3 em cada lançamento
(1,2)
(2,5)
(4,6)
X = 2
X = 1
X = 0
Distribuição Uniforme
Distribuição Uniforme
Distribuição Uniforme
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
Distribuição Uniforme
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
Y = Assume o resultado do lançamento
Distribuição Uniforme
𝑆 = {(1,1); (1,2); (1,3); . . . ; (3,3); (3,4); (3,4); . . . ; (6,5); (6,6)}
𝑃 1,1 = 𝑃 1,2 = . . . = 𝑃[ 6,6 ] =1
36
Y = Assume o resultado do lançamento
Valor esperado
Valor esperado
X assuma os valores: x1, x2, x3, . . .
Valor esperado
X assuma os valores: x1, x2, x3, . . .
Probabilidade de X assumir esses valores: p(x1), p(x2), p(x3), . . .
Valor esperado
X assuma os valores: x1, x2, x3, . . .
Probabilidade de X assumir esses valores: p(x1), p(x2), p(x3), . . .
Função de probabilidade
Função de probabilidade
Função de probabilidade
X = Naipe da carta
Função de probabilidade
X = Naipe da carta
𝑃 𝑋 = = 𝑃 𝑋 = = 𝑃 𝑋 = = 𝑃 𝑋 = =1
4
Função de verossimilhança
Função de verossimilhança
População
Função de verossimilhança
AmostraPopulação
Função de verossimilhança
AmostraPopulação
Função de verossimilhança
Amostra
Função de Verossimilhança (L)
População
População = Tanques Produzidos
População = Tanques Produzidos
Amostra = Tanques capturados
População = Tanques Produzidos
Amostra = Tanques capturados
Informação:
-Tanques Capturados
-Número de série dos tanques
População = Tanques Produzidos
Amostra = Tanques capturados
Informação:
-Tanques Capturados
-Número de série dos tanques
População = Tanques Produzidos
Amostra = Tanques capturados
Informação:
-Tanques Capturados
-Número de série dos tanques
L
População = Tanques Produzidos
Amostra = Tanques capturados
Informação:
-Tanques Capturados
-Número de série dos tanques
L
População = Tanques Produzidos
Amostra = Tanques capturados
Informação:
-Tanques Capturados
-Número de série dos tanques
L
Maior número de série
População = Tanques Produzidos
Amostra = Tanques capturados
Informação:
-Tanques Capturados
-Número de série dos tanques
L
Maior número de série
(N)
População = Tanques Produzidos
Amostra = Tanques capturados
Informação:
-Tanques Capturados
-Número de série dos tanques
L
Maior número de série
(n)
(N)
População = Tanques Produzidos
Amostra = Tanques capturados
Informação:
-Tanques Capturados
-Número de série dos tanques
L
Maior número de série
(n)
(m)
(N)
Análise Clássica
Análise Clássica Análise Bayesiana
Análise Clássica
Amostragem repetida
Análise Bayesiana
Análise Clássica
Amostragem repetida
Análise Bayesiana
Informação a priori
Objetivo: Probabilidade amostra com maior número de série m e tamanho n entre todos os N tanques
Objetivo: Probabilidade amostra com maior número de série m e tamanho n entre todos os N tanques
1) Amostras de tamanho n entre os N tanques (casos possíveis):
Objetivo: Probabilidade amostra com maior número de série m e tamanho n entre todos os N tanques
1) Amostras de tamanho n entre os N tanques (casos possíveis):
Objetivo: Probabilidade amostra com maior número de série m e tamanho n entre todos os N tanques
1) Amostras de tamanho n entre os N tanques (casos possíveis):
2) Amostras tamanho n e maior número de série m (casos favoráveis):
Objetivo: Probabilidade amostra com maior número de série m e tamanho n entre todos os N tanques
1) Amostras de tamanho n entre os N tanques (casos possíveis):
2) Amostras tamanho n e maior número de série m (casos favoráveis):
Probabilidade: Razão entre os casos favoráveis e os casos possíveis:
Probabilidade: Razão entre os casos favoráveis e os casos possíveis:
Probabilidade: Razão entre os casos favoráveis e os casos possíveis:
Função de Verossimilhança:
Probabilidade: Razão entre os casos favoráveis e os casos possíveis:
Função de Verossimilhança:
Variável Aleatória X = maior número de série
Variável Aleatória X = maior número de série
Variável Aleatória X = maior número de série
Variável Aleatória X = maior número de série
Variável Aleatória X = maior número de série
Variável Aleatória X = maior número de série
Intervalo de Confiança
Intervalo de Confiança
2,5%95%
2,5%
Intervalo de Confiança
m S
2,5%95%
5%2,5% 95%
Intervalo de ConfiançaS = limitante superior do intervalo
m S
2,5%95%
5%2,5% 95%
Intervalo de ConfiançaS = limitante superior do intervalo
IC = [m, S]
m S
2,5%95%
5%2,5% 95%
Intervalo de ConfiançaS = limitante superior do intervalo
IC = [m, S]
m S
2,5%95%
5%2,5% 95%
Intervalo de ConfiançaS = limitante superior do intervalo
IC = [m, S]
m S
2,5%95%
5%2,5% 95%
Intervalo de ConfiançaS = limitante superior do intervalo
IC = [m, S]
m S
2,5%95%
5%2,5% 95%
Intervalo de ConfiançaS = limitante superior do intervalo
IC = [m, S]
m S
2,5%95%
5%2,5% 95%
Números de Série:
Números de Série:
Gerador de números: N = 500
Números de Série:
25 27 35 49 84
120 155 173 215 219
269 317 349 353 355
387 397 465 485 495
Gerador de números: N = 500
Números de Série:
25 27 35 49 84
120 155 173 215 219
269 317 349 353 355
387 397 465 485 495
n = 20
Gerador de números: N = 500
Números de Série:
25 27 35 49 84
120 155 173 215 219
269 317 349 353 355
387 397 465 485 495
n = 20
Gerador de números: N = 500
Números de Série:
25 27 35 49 84
120 155 173 215 219
269 317 349 353 355
387 397 465 485 495
n = 20 m = 495
Gerador de números: N = 500
Análise Clássica
Análise Clássica
Análise Clássica
Função de Verossimilhança
+
Informação a Priori
Função de Verossimilhança
+
Informação a Priori
Informação a Posteriori
Função de Verossimilhança
+
Informação a Priori
Informação a PosterioriTeorema de Bayes
Informação a Priori: População segue uma distribuição uniforme
Função de Verossimilhança
+
Informação a Priori
Informação a PosterioriTeorema de Bayes
Informação a Priori: População segue uma distribuição uniforme
Função de Verossimilhança
+
Informação a Priori
Informação a PosterioriTeorema de Bayes
Informação a Priori: População segue uma distribuição uniforme
Função de Verossimilhança
+
Informação a Priori
Informação a PosterioriTeorema de Bayes
Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Valor esperado e variância de N|m:
Valor esperado e variância de N|m:
Valor esperado e variância de N|m:
Valor esperado e variância de N|m:
Valor esperado e variância de N|m:
Intervalo
De
Credibilidade
Números de Série:
25 27 35 49 84
120 155 173 215 219
269 317 349 353 355
387 397 465 485 495
n = 20 m = 495
Gerador de números: N = 500
Análise Clássica Análise Bayesiana
Análise Clássica Análise Bayesiana
Análise Clássica Análise Bayesiana
Análise Clássica Análise Bayesiana
Amplitude = 80
Análise Clássica Análise Bayesiana
Amplitude = 80
Amplitude = 56
Números de Série:
Números de Série:
Gerador de números: N = 500
Números de Série:
21 27 40 44 65
67 78 88 111 128
146 147 152 162 195
201 223 245 251 252
266 274 276 278 296
305 323 326 328 333
369 375 398 406 416
418 448 476 484 497
Gerador de números: N = 500
Números de Série:
21 27 40 44 65
67 78 88 111 128
146 147 152 162 195
201 223 245 251 252
266 274 276 278 296
305 323 326 328 333
369 375 398 406 416
418 448 476 484 497
n = 40
Gerador de números: N = 500
Números de Série:
21 27 40 44 65
67 78 88 111 128
146 147 152 162 195
201 223 245 251 252
266 274 276 278 296
305 323 326 328 333
369 375 398 406 416
418 448 476 484 497
n = 40
Gerador de números: N = 500
Números de Série:
21 27 40 44 65
67 78 88 111 128
146 147 152 162 195
201 223 245 251 252
266 274 276 278 296
305 323 326 328 333
369 375 398 406 416
418 448 476 484 497
n = 40 m = 497
Gerador de números: N = 500
Análise Clássica Análise Bayesiana
Análise Clássica Análise Bayesiana
Análise Clássica Análise Bayesiana
Análise Clássica Análise Bayesiana
Análise Clássica Análise Bayesiana
Análise Clássica Análise Bayesiana
Amplitude = 39
(era 80)
Análise Clássica Análise Bayesiana
Amplitude = 39
(era 80)
(era 56)
Amplitude = 26
iPhones
iPhones
Objetivo: Estimar número de iPhones vendidos
iPhones
Até setembro de 2008: 9,1 milhões de iPhones vendidos no ano
Objetivo: Estimar número de iPhones vendidos
[Goodman (1954)] Goodman, L. A. (1954). "Some Practical Techniques in Serial Number Analysis".Journal of the American Statistical Association, 49:97–112.
[Höhle (2006)] Höhle, H. (2006). "Bayesian Estimation of the Size of a Population". CollaborativeResearch Center, 386, Paper 499.
[Wolfram Research (2004)] Wolfram Research (2004). "Hypergeometric Differential Equation".Disponínel em: http://mathworld.wolfram.com/HypergeometricDifferentialEquation.html Acesso em:03 de março de 2019.
[Marlow (1965)] Marlow, W. (1965). "Factorial Distributions". The Annals of Mathematical Statistics,36:1066–1068.
[Arthur (2008)] Arthur, Charles (2008). "Why iPhones are just like German tanks". Disponível em:https://www.theguardian.com/technology/blog/2008/oct/08/iphone.apple Acesso em: 03 de março de2019.