Lic EPT 02/04/2018 Parte1

Lic EPT 02/04/2018 Parte1

Aula do curso de Licenciatura em EPT

Assista »

Lic EPT 02/04/2018 Parte2

Lic EPT 02/04/2018 Parte2

Aula do curso de Licenciatura em EPT

Assista »

Aula Pós Docência 22/03/2018 Turma I

UC Planejamento e Implementação em EaD

Assista »

Videoconciência nas escolas

Assista »

Aula Pós Docencia EP 05/04/2018 Turma I

UC Planejamento e Implementação em EaD

Assista »

Pos Formação EPT 06.04.2018

Assista »

Por que uma gramática brasileira ?

Por que uma gramática brasileira ?

Conferência "Porque uma gramática brasileira ?" com o professor Marcos Bagno realizada em 12/09 no anfiteatro A da FCL. Corte, transmissão e finalização: Renato Terezan de Moura, Evandro Douglas Guidelli e Lucas Giroto de Abreu

Assista »

FileSender@RNP - Tutorial de utilização

Tutorial em vídeo e narrado, com o passo a passo da utilização do serviço FileSender@RNP.

Assista »

21 SCI - SDN - Redes Definidas por Software - 19/10/15 (segunda-feira)

O curso pretende apresentar o conceito de Redes Definidas por Software (Software Defined Networks, SDN), mostrar os princípios básicos de funcionamento e exemplos práticos de como ela pode ser usada. Após uma descrição geral da motivação e dos princípios que nortearam a criação do paradigma, o curso apresentará os detalhes de OpenFlow necessários para se entender como o princípio vem sendo aplicado na prática (protocolo, arquitetura e switches). Depois disso, ferramentas importantes relacionadas a SDN serão apresentadas, como o ambiente de emulação MININET, a solução de particionamento/virtualização de redes Flowvisor e o princípio geral de operação dos controladores SDN. Nessa última parte, escolheremos um controlador para ser apresentado em mais detalhes e utilizado nas práticas. Depois de alguns exemplos mais simples que poderão ser exercitados nas práticas, o curso apresentará alguns casos reais de aplicação de SDN, como os trabalhos desenvolvidos no DCC-UFMG e POP-MG para isolamento de redes de datacenters e controle de pontos de troca de tráfego (PTTs).

Assista »

Cadastramento de email no Portal do Professor

Siga o passo a passo e cadastre seu email.

Assista »

Dia 14-6º PALESTRA - Lançamento do serviço eduroam no Brasil

Lançamento do serviço eduroam no Brasil.

Assista »

Mensagem do Diretor-Presidente aos Empregados e Colaboradores

Assista »

Iniciativa CDC - Centro de Dados Compartilhados

O vídeo apresenta o Programa Centro de Dados Compartilhados, uma iniciativa dos Ministérios de Ciência, Tecnologia e Inovação (MCTI) e da Educação (MEC0, coordenada e operada pela Rede Nacional de Ensino e Pesquisa (RNP).

Assista »

Dialogando a diversidade no sistema penitenciário

Assista »

CENSUP - Consistência Censo 2017

Vídeo para auxiliar a compreensão das mudanças do Censo 2016 Para esclarecimento de dúvidas ou sugestões favor entrar em contato com a Coordenação Geral do Censo da Educação Superior pelo e-mail censosuperior@inep.gov.br.

Assista »

Pós Ensino Integrado - 19.04.2018 Parte II

Pós Ensino Integrado - 19.04.2018 Parte II

Assista »

Pós Ensino Integrado - 19.04.2018 Parte I

Pós Ensino Integrado - 19.04.2018 Parte I

Assista »

Interpretação do Intervalo de Confiança

A interpretação do Intervalo de Confiança possui uma relação direta com a variabilidade esperada para a média caso a amostragem fosse repetida (Erro Padrão da Média). Então, se a média calculada (estimativa) com base na estatura de 20 pessoas (amostra) é 165cm, e o desvio padrão (estimativa) é 5cm (erro padrão estimado 1,12cm), um Intervalo de Confiança construído a partir de um Nível Confiança de 90% irá de 163,06cm até 166,93cm. Então, podemos usar nosso conhecimento de frequência e probabilidade para afirmar que: (1) se a amostragem fosse repetida 100 vezes usando o mesmo Nível de Significância, 90% dos Intervalos de Confiança, calculados para cada uma das repetição da amostragem, abarcaria a média real da estatura população completa (parâmetro), ou que (2) existe 90% de probabilidade que um Intervalo de Confiança calculado com base em uma nova amostragem abarcará a média da estatura da população (parâmetro). Portanto, seria errado afirmar que existe 90% de probabilidade de que o parâmetro está dentro do Intervalo de Confiança que já foi calculado, pois essa interpretação de probabilidade não diz respeito a incerteza causada pelo erro amostral (repetição da amostragem). Baixe aqui o programa que eu construí para testar a estimativa de Intervalo de Confiança a partir da amostra, e sua relação com parâmetro (média da distribuição da população).

Assista »

Intervalo de Confiança

Agora que temos um bom modelo para estudar e prever a variabilidade de médias calculadas através de amostras, ao invés de repetirmos nossa amostragem, podemos calcular a faixa de valores na qual esperaríamos encontrar outras médias caso a amostragem fosse repetida. Essa faixa de valores é chamada Intervalo de Confiança, e estende o valor de uma única média calculada conforme o tamanho da incerteza na estimativa dessa média. Como sabemos, em um estudo amostral, a variabilidade esperada (incerteza) no valor da média calculada é o Erro Padrão da Média, que pode ser estimado pela variabilidade do fenômeno natural e do tamanho da amostra. Já o Intervalo de Confiança depende não apenas do Erro Padrão da Média, mas também do Nível de Confiança necessário na pesquisa, que é atribuído pelo cientista. Assim, o Nível de Confiança é o tamanho da garantia que o pesquisador precisa de que, caso o estudo fosse repetido, quantos entre os novos Intervalos de Confiança abarcariam o parâmetro populacional. Se esse Nível de Confiança for muito grande, o Intervalo de Confiança será correspondentemente grande. Portanto, o Intervalo de Confiança não faz a pesquisa mais ou menos segura, apenas deixa clara a incerteza causada pelo erro amostral do estudo. Baixe aqui o programa que eu construí para ilustrar a área (ou frequência, ou probabilidade) sob a distribuição t de Student, de acordo com um alfa (nível de confiança) especificado.

Assista »

Distribuição t de Student

A variabilidade das médias estimadas através de várias amostras repetidas da mesma população parece obedecer uma distribuição normal: valores intermediários são frequentes e valores extremos são raros. Entretanto, na verdade essas repetidas médias seguem uma distribuição de frequência chamada distribuição t de Student, que é uma irmã da distribuição normal. A distribuição t de Student leva em consideração o tamanho da amostra que foi utilizada para calcular as médias repetidas. Assim, se o tamanho da amostra for pequeno, valores de média estimada muito diferentes entre si (extremos) não serão tão raros assim, pois não seria tão incomum selecionar aleatoriamente apenas pessoas altas/baixas em uma amostra pequena. Ao contrário, se o tamanho das amostras for grande, valores calculados de médias repetidas não serão tão diferentes assim entre si, pois seria muito improvável selecionar aleatoriamente apenas pessoas altas/baixas em uma amostra muito grande. Na prática, a distribuição de frequências t de Student fica cada vez mais parecida com a distribuição normal quando o tamanho da amostra cresce. Baixe aqui o programa que eu construí para ilustrar a diferença entre a distribuição normal e a distribuição t de Student.

Assista »

Erro Amostral

Se dois cientistas amostrarem o mesmo fenômeno, eles calculariam (estimariam) a mesma média? Chegariam no mesmo histograma? Infelizmente não! Na verdade, nem sequer a repetição do próprio estudo, feita pelo mesmo cientista, chegaria nas mesmas estimativas... Além disso, também não há nenhuma garantia que as estimativas feitas através de uma amostra (ex. média, desvio padrão) sejam exatamente iguais aos valores reais na população (ex. média e desvio padrão paramétrico). A variabilidade (incerteza) das estimativas é conhecida como erro amostral, causada pelo fato de estudarmos apenas uma fração do fenômeno (amostragem). Não é possível evitar totalmente o erro amostral sobre a estimativa da média, mas podemos deduzir que o tamanho da amostra e a variabilidade do fenômeno vão influenciar a média que estimamos através de uma amostra. Baixe aqui o programa que eu construí para ilustrar visualmente o erro amostral sobre as estimativas da média (erro padrão da média), e efeito da variabilidade do fenômeno e tamanho amostral sobre ele. Então, se não podemos evitar o erro amostral por completo, que tal medir o tamanho da incerteza que ele causa, para podermos desconta-lo das nossas conclusões finais?

Assista »

Erro Amostral e Erro Padrão da Média

O Erro Amostral é uma fonte de incerteza inevitável, pois uma amostra é uma quantidade limitada de informação sobre o fenômeno. Assim, todas as inferências (conclusões) tomadas a partir de uma amostra estarão associadas a incertezas. Do ponto de vista prático, se o estudo fosse repetido, a amostra que seria coletada seria diferente das anteriores, o que geraria um outro valor da estimativa (ex. médias de estaturas diferentes entre dois estudos da mesma população). Entretanto, essa variabilidade possui um comportamento previsível caso o estudo fosse repetido múltiplas vezes, pois sabemos que a variabilidade da estimativa (erro padrão) depende fundamentalmente da variabilidade natural do fenômeno (ex. diferença natural na estatura das pessoas) e do tamanho da amostra (ex. número de pessoas estudadas). Então, não precisaremos de fato repetir a amostragem para calcular o tamanho da variabilidade da média que é esperada no estudo, pois podemos usar um modelo de distribuição de frequências para calcular a variabilidade da média se uma amostragem equivalente fosse repetida (ex. mesmo número de pessoas selecionadas ao acaso da mesma população).Unive

Assista »

Estimativa do Erro Padrão da Média

Seria impraticável ter que repetir a amostragem múltiplas vezes para descobrir a variabilidade da estimativa (erro amostral). Felizmente sabemos que, pelo menos para a estimativa da média, o erro amostral depende da variabilidade natural do fenômeno estudado (desvio padrão da população) e da quantidade de informação coletada (tamanho amostral). Então, em um cenário extremo, se o fenômeno fosse plenamente constante (nenhuma variabilidade), todas as médias estimadas seriam idênticas entre si (nenhum erro amostral), além de iguais ao parâmetro (valor real da população). Da mesma forma, se o tamanho da amostra fosse igual ao tamanho da população (censo), todas as estimativas seriam tanto iguais entre si (nenhum erro amostral) quanto iguais ao parâmetro populacional. Assim, o tamanho do erro amostral na estimativa da média (erro padrão da média) pode ser estimado pela razão entre o desvio padrão da amostra (estimativa de variabilidade do fenômeno) e (a raiz quadrada do) tamanho da amostra (quantidade de informação). Além disso, médias calculadas através de repetidas amostragens apresentam uma distribuição de frequência bem familiar, o que nos permite fazer inferências usando frequências e probabilidades. Baixe aqui o programa que eu construí para ilustrar visualmente como chegar na estimativa de erro padrão da média a partir de uma amostra.

Assista »

Incerteza - Erro Amostral - Probabilidade - Inferëncia

A incerteza está presente em todos os estudos e todas as conclusões científicas. Em especial, a incerteza causada pela amostragem (avaliação incompleta do fenômeno) é conhecida como erro amostral, e afeta todas as estimativas. Então, através de uma amostra, por maior que seja, nunca teremos a certeza da estatura média da população, ou da abundância média de uma espécie em um parque. Porém, sabemos que a obtenção de uma estimativa muito diferente do parâmetro (ex. média) seria um evento muito raro quando a amostragem for totalmente aleatória, pois seria preciso que a maior parte das amostras coletadas ao acaso fossem, por coincidência, diferentes do parâmetro de uma mesma maneira (ex. amostragem apenas dos mais baixos/altos na população). Portanto, se a amostragem for de fato aleatória, o erro amostral também terá sua própria distribuição de frequência. Como já aprendemos que é possível estimar a frequência de eventos usando modelos de distribuição de frequências, poderemos então medir a incerteza da estimativa ao associar o tamanho do erro amostral a um valor de probabilidade de variação da estimativa caso o estudo fosse repetido.

Assista »

Busca avançada 

Não há nenhuma transmissão ao vivo

  Mais de 2 anos, 9 meses, 2 semanas, 4 dias, 3 horas e 39 minutos de conteúdo
  em 25797 vídeos cadastrados