Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
|
|
- Maria de Fátima Castilho
- 5 Há anos
- Visualizações:
Transcrição
1 Geração de Números Aleatórios Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61
2 Simulando de Distribuições Discretas Assume-se que um gerador de números aleatórios da distribuição U(0, 1) está disponivel. Seja X uma variável aleatória discreta em {x 1,..., x k } com P(X = x i ) = p i e k p i = 1. i=1 Defina, F i = p p i, i = 1,..., k, sendo F 0 = 0, I i = (F i 1, F i ]. 2 / 61
3 Se U U(0, 1) então P(U I i ) = F i F i 1 = P(X = x i ). Portanto, gerando um valor u da distribuição U(0, 1) e verificando a qual subtintervalo I i ele pertence temos um valor simulado de X. 1. Gere um valor u da distribuição U(0, 1). 2. Para i = 1,..., k, se u Ii retorne x = x i. caso contrário faça i = i + 1 e repita. Pense sobre a (in)eficiência computacional deste algoritmo. 3 / 61
4 Exemplo. Seja uma variável aleatória X assumindo valores em {1, 2, 3, 4, 5} com probabilidades iguais a 1/5. Neste caso, F 0 = 0, F 1 = 1/5, F 2 = 2/5, F 3 = 3/5, F 4 = 4/5, F 5 = 1 e os intervalos são, I 1 = (0, 1/5], I 2 = (1/5, 2/5], I 3 = (2/5, 3/5], I 4 = (3/5, 4/5], I 5 = (4/5, 1]. 4 / 61
5 Frequencias relativas de 200 valores simulados Freq. relativas x 5 / 61
6 Frequencias relativas de 2000 valores simulados Freq. relativas x 6 / 61
7 Frequencias relativas de 2000 valores simulados da Uniforme Freq. relativas x 7 / 61
8 Distribuição Binomial Se X 1,..., X n são variáveis aleatórias independentes tais que X i Bernoulli(p) então Y = n X i Binomial(n, p). i=1 Deseja-se gerar valores para Y. 8 / 61
9 Para isso, primeiro precisamos gerar os n valores de X usando o algoritmo anterior. Os intervalos são I 1 = (0, p] e I 2 = (p, 1] portanto, 1. Simule valores u 1,..., u n U(0, 1). 2. Para i = 1,..., n, se u i (0, p] o valor simulado é x i = 1. Caso contrário, x i = Faça y = n i=1 x i. 9 / 61
10 Exemplo. Gerando m = 100 valores da distribuição binomial comparâmetros n = 20 e p = 1/2. Valores simulados e suas frequencias, y Freq / 61
11 Distribuição Geométrica Seja uma variável aleatória X com distribuição Geométrica com parâmetro p. Sua função de probabilidade é, P(X = j) = p(1 p) j 1, j = 1, 2,... X é o número de fracassos antes de ocorrer o primeiro sucesso. Para obter os intervalos precisamos calcular, i 1 F i 1 = P(X = j) = 1 P(X i) j=1 11 / 61
12 Note que, P(X i) = p(1 p) i 1 [1 + (1 p) + (1 p) ] = (1 p) i 1, e portanto, i 1 F i 1 = P(X = j) = 1 P(X j) = 1 (1 p) i 1 j=1 1. Gere um valor u da distribuição U(0, 1). 2. Retorne o valor X = i tal que, 1 (1 p) i 1 < u < 1 (1 p) i 12 / 61
13 Equivalentemente, temos que X = i se, (1 p) i < 1 u < (1 p) i 1 e como 1 U e U tem a mesma distribuição U(0, 1), X = min{i : (1 p) j < U} = min{i : i > log(u)/ log(1 p)} [ ] log(u) = 1 + log(1 p) sendo que [x] representa a parte inteira de x. 13 / 61
14 Simulando de Distribuições Continuas Método da Transformação Inversa Seja X uma variável aleatória continua com função de distribuição F X (x) = P(X x). Então, Y = F (X ) (0, 1) tem função de distribuição dada por G Y (y) = P(Y y) = P(F X (X ) y) = P(X F 1 X (y)) = F X (F 1 X (y)) = y. 14 / 61
15 Conclui-se então que G Y (y) = y e Y U(0, 1). Portanto, para gerar um valor de X podemos usar o seguinte algoritmo, 1. Gere um valor y da distribuição U(0, 1). 2. Aplique a transformação x = F 1 X (y). 3. Retorne x como um valor simulado de X. 15 / 61
16 Exemplo. Simulando valores da distribuição Exponencial. Seja X Exp(λ). Então, f (x) = λe λx, x > 0 F (x) = 1 exp( λx), x > 0 F 1 (u) = 1 log(1 u), 0 < u < 1. λ 16 / 61
17 Simulando n = 100 valores da distribuição exponencial com média 0.1 Density x 17 / 61
18 Simulando n = 100 valores da distribuição exponencial com média 10 Density x 18 / 61
19 Exemplo. Simulando valores da distribuição de Gumbel. Seja X uma variável aleatória com distribuição Gumbel com locação µ e escala σ. Então, f (x) = 1 ( ) ( x µ { σ exp exp x µ )} σ σ F (x) = { ( exp exp x µ )} σ F 1 (u) = µ σ log( log u). 19 / 61
20 100 valores simulados da distribuição Gumbel com µ = 0 e σ = 1 Density x 20 / 61
21 Exemplo. Seja X uma variável aleatória continua com distribuição Logistica com parâmetro de locação µ e escala σ. Para simular valores de X podemos usar o método da inversão pois, e podemos verificar que, 1 e(x µ)/σ F (x) = = 1 + e (x µ)/σ 1 + e (x µ)/σ. F 1 (u) = µ + σ log ( ) u. 1 u 21 / 61
22 Exemplo. Seja X uma variável aleatória continua com distribuição Cauchy com parâmetro de locação µ e escala σ. Para simular valores de X podemos usar o método da inversão. A função de densidade é dada por, f (x) = 1 πσ ( x µ σ e sua função de distribuição acumulada e ) 2, x R. F (x) = π arctan ( x µ σ ). 22 / 61
23 O método de inversão só é realmente útil se a inversa da função de distribuição for fácil de ser obtida e calculada. Por exemplo, a função de distribuição inversa Φ 1 da distribuição normal padrão não pode ser obtida analiticamente e sua avaliação numérica é lenta. Existem métodos mais especificos e eficientes. 23 / 61
24 Métodos de Rejeição Suponha que, Sabemos gerar valores de uma variável aleatória Y com densidade g(y). Porém queremos gerar valores de X com densidade f (x). O método da rejeição consiste em, 1. Gerar um valor candidato y da distribuição g. 2. Aceitar o valor gerado com probabilidade proporcional a f (y)/g(y). 24 / 61
25 Seja c uma constante positiva tal que f (y) g(y) c y. Então, a probabilidade de aceitação é P(aceitar y) = f (y) c g(y). 25 / 61
26 Podemos usar o seguinte algoritmo para gerar valores de X, 1. Gere um valor y da distribuição g. 2. Gere u U(0, 1). 3. Se u f (y) faça x = y. c g(y) 4. Caso contrário retorne ao passo / 61
27 A probabilidade global de aceitação é, P ( U f (Y ) ) cg(y ) = = ( P U f (Y ) ) cg(y ) Y = y g(y)dy f (y) cg(y) g(y)dy = 1 c que é independente do valor simulado y. O número de candidatos propostos até a aceitação tem distribuição Geométrica com parâmetro 1/c. 27 / 61
28 A distribuição auxiliar g deve ser fácil de ser simulada. As densidades f e g devem ter o mesmo suporte, i.e. g(x) > 0 nos mesmos valores em que f (x) > 0. Pode ser necessário gerar muitos candidatos até aceitar um valor proposto. Neste caso o algoritmo será ineficiente. Quanto mais próximas forem f e g mais eficiente será o algoritmo. 28 / 61
29 Exemplo. Deseja-se gerar um valor de X cuja função de densidade é, f (x) = 20x(1 x) 3, x (0, 1). Considere o método de rejeição com g(x) = 1, x (0, 1). Qual o menor valor da constante c tal que f (y) g(y) c? ( ) d f (x) = 0 x = 1 dx g(x) 4 c = / 61
30 O algoritmo de rejeição neste exemplo fica, 1. Gere y da distribuição U(0, 1) (esta é a distribuição auxiliar). 2. Gere u da distribuição U(0, 1). 20y(1 y)3 3. Se u faça x = y, caso contrário retorne ao 135/64 passo / 61
31 Probabilidades de aceitação em uma grade de valores y {0, 1} prob y 31 / 61
32 1000 valores simulados de X cg(x) f(x) x 32 / 61
33 Exemplo. Gerar valores de X Beta(a, b) usando a distribuição U(0, 1) como auxiliar. A função de densidade de X é, f (x) = Γ(a + b) Γ(a)Γ(b) x a 1 (1 x) b 1, a > 0, b > 0, x (0, 1), a a densidade auxiliar é g(x) = 1, x (0, 1). Portanto o ponto x que maximiza f (x)/g(x) é solução de d log(f (x)) dx = a 1 x b 1 1 x = / 61
34 Resolvendo a equação obtemos, x = a 1 a + b 2, e podemos usar a seguinte constante c, c = f ((a 1)/(a + b 2)) ( ) Γ(a + b) a 1 a 1 ( b 1 = Γ(a)Γ(b) a + b 2 a + b 2 no algoritmo de rejeição. ) b 1 34 / 61
35 1. Gere y da distribuição U(0, 1) (distribuição auxiliar). 2. Gere u da distribuição U(0, 1). 3. Se u f (y) c faça x = y, caso contrário retorne ao passo / 61
36 200 valores simulados da Beta(2,2) e Beta(4,2) z z 36 / 61
37 200 valores simulados da distribuição Beta(2,4) z 37 / 61
38 200 valores simulados da distribuição Beta(0.1,0.1) z 38 / 61
39 Exemplo. Simulando um valor da distribuição normal padrão usando a distribuição Cauchy como auxiliar. f (x) = g(x) = ) 1 exp ( x2 2π 2 1 π(1 + x 2 ) Para c = 2π exp( 1/2) tem-se que f (x) c, x. g(x) 39 / 61
40 1. Gere y Cauchy 2. Calcule, 3. Gere u U(0, 1), p = f (x) cg(x) = π 2 (1 + y 2 ) exp[ (y 2 + 1)/2] 4. Se u < p aceite y como um valor simulado de X, 5. Caso contrário, retorne ao passo / 61
41 1000 valores simulados da N(0,1) cg(x) f(x) x 41 / 61
42 Simulando da Distribuição Normal Sejam X e Y independentes com distribuição normal padrão. A função de densidade conjunta então é, p(x, y) = p(x)p(y) = 1 2π exp( (x2 + y 2 )/2), x R, y R. Reescrevendo em coordenadas polares, e a transformação inversa fica, r = x 2 + y 2 θ = tan 1 (y/x) x = r cos(θ) y = r sen(θ). 42 / 61
43 A função de densidade conjunta de (R, Θ) então fica, p(r, θ) = p(x, y) (x, y) (r, θ) sendo Portanto, J = (x, y) (r, θ) = ( cos(θ) r sen(θ) sen(θ) r cos(θ) p(r, θ) = 1 2π exp( r 2 /2) r. ) 43 / 61
44 Além disso, R e Θ são independentes sendo, p(θ) = 1 2π e p(r) = r e r 2 /2 e pode-se verificar que Θ U(0, 2π) R 2 Exp(1/2) pois p(r 2 ) = 1 2 exp( r 2 /2). 44 / 61
45 Temos assim um algoritmo para simular 2 variáveis aleatórias independentes com distribuição normal padrão. 1. Gere r 2 da distribuição exponencial com média Gere θ da distribuição U(0, 2π). 3. Faça x = r cos(θ) e y = rsen(θ). Este algoritmo é chamado método de algoritmo de Box-Muller. Se quisermos simular um valor da distribuição N(µ, σ 2 ) basta usar este algoritmo e aplicar as transformações µ + σx e µ + σy. 45 / 61
46 Histograma de 200 valores simulados da distribuição normal padrão com a função de densidade superposta Density / 61
47 Histograma de 2000 valores simulados da distribuição normal padrão com a função de densidade superposta Density / 61
48 Simulando da Distribuição Qui-quadrado Se Z 1,..., Z n N(0, 1) são independentes então X = Z Z 2 n = n i=1 Z 2 i χ 2 n. e poderiamos usar o algoritmo anterior para gerar um valor de X. Porém, ( 1 i χ 2 1 ou Gama 2, 1 ) 2 ( 1 j χ 2 1 ou Gama 2, 1 ) 2 ( 1, 1 ) ou Exp 2 Z 2 Z 2 Z 2 i + Z 2 j Gama ( ) 1 2 para quaisquer i, j. 48 / 61
49 Então, para um número par de graus de liberdade n = 2k, X = (Z Z 2 2 ) + + (Z 2 2k 1 + Z 2 2k) é uma soma de k variáveis aleatórias independentes cada uma com distribuição exponencial com média 2. Portanto, ( X Gama k, 1 ) 2 ou X χ 2 2k. 49 / 61
50 Podemos usar então o seguinte algoritmo para gerar um valor de X, 1. Gere valores u 1,..., u k independentes da distribuição U(0, 1). 2. Faça y i = 2 log u i, i = 1,..., k. 3. Faça x = k i=1 y i. O valor obtido de x é um valor simulado da distribuição qui-quadrado com 2k graus de liberdade (embora tenhamos simulado somente k valores). 50 / 61
51 Para um número ímpar de graus de liberdade n = 2k + 1, 1. Gere valores u 1,..., u k independentes da distribuição U(0, 1). 2. Faça y i = 2 log u i, i = 1,..., k. 3. Gere z N(0, 1) 4. Faça x = z 2 + k i=1 y i. 51 / 61
52 Histogramas de 200 valores simulados de distribuições qui-quadrado com 4 e 7 graus de liberdade Density Density / 61
53 Gerando Vetores Aleatórios Seja X = (X 1,..., X n ) um vetor aleatório de dimensão n. Uma possivel forma de escrever sua função de densidade conjunta é, f (x) = f (x 1 )f (x 2 x 1 )f (x 3 x 2, x 1 )... f (x n x n 1,..., x 1 ) Então um algoritmo para simular um valor do vetor X é, 1. Simule um valor x 1 da distribuição de X 1, 2. Simule um valor x 2 da distribuição condicional de X 2 X 1 = x 1 3. Simule um valor x 3 da distribuição condicional de X 3 X 2 = x 2, X 1 = x Simule um valor x n da distribuição condicional de X n X n 1 = x n 1,..., X 1 = x 1 53 / 61
54 Exemplo. Deseja-se simular valores do vetor aleatório (X, Y, Z). Um possivel algoritmo é, 1. Simule um valor x da distribuição de X, 2. Simule um valor y da distribuição condicional de Y X = x 3. Simule um valor z da distribuição condicional de Z Y = y, X = x 54 / 61
55 Assume-se que sabemos simular valores das distribuições condicionais. Os componentes não precisam ser escalares, podem ser vetores ou matrizes. 55 / 61
56 Exemplo. Simulando de misturas. Seja a variável aleatória continua X com função de densidade, f (x) = k p j f j (x), j=1 sendo p j > 0 e k p j = 1. Neste caso, deve-se simular valores do vetor (X, j) sendo j o indicador de componente da mistura. j=1 56 / 61
57 Portanto, o seguinte algoritmo pode ser usado, 1. Gere j de uma distribuição discreta finita com probabilidades p j, 2. Gere x da distribuição cuja densidade é f j. 3. Retorne x como um valor simulado da mistura. 57 / 61
58 Exemplo. Deseja-se gerar valores de uma variável aleatória X cuja distribuição é uma mistura de distribuições normais. X p N(µ, τ 2 ) + (1 p)n(θ, σ 2 ) com p = 0.7, µ = 7, τ 2 = 0.5 2, θ = 10 e σ 2 = / 61
59 Histograma de 2000 valores simulados / 61
60 Exemplo. Deseja-se gerar valores de um variável aleatória continua X tal que, X Y = y N(0, 1/y) Y Gama(ν/2, ν/2). A função de densidade (marginal) de X seria obtida por integração, f (x) = 0 f (x y)f (y)dy. 60 / 61
61 Podemos simular um valor de (X, Y ) em 2 estágios e retornar somente o valor de X simulado, 1. Gere um valor y da distribuição Gama(ν/2, ν/2), 2. Gere um valor x da distribuição condicional N(0, 1/y), 3. Retorne x como um valor simulado da distribuição marginal de X. 61 / 61
Análise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Simulação O que é simulação? Reprodução de um
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisObjetivos. fim de servir de entrada na simulação de um modelo.
Geração de variáveis aleatórias Objetivos Geração de amostras para uma distribuição em específico a fim de servir de entrada na simulação de um modelo. Ilustrar algumas técnicas usadas para geração de
Leia maisTécnicas Computacionais em Probabilidade e Estatística I
c Técnicas Computacionais em Probabilidade e Estatística I Aula Chang Chiann MAE 5704- IME/SP º Sem/008 Slide c chang; /4/008 Simulação Estática Obetivo: Em análise estatística de dados, modelos estocásticos
Leia maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisAnálise de Dados em Astronomia. 4. Simulações de Monte Carlo
1 / 22 Análise de Dados em Astronomia 4. Simulações de Monte Carlo Laerte Sodré Jr. AGA0505, 1o. semestre 2019 2 / 22 introdução aula de hoje: o método de Monte Carlo 1 introdução 2 variáveis aleatórias
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisMétodos para geração de variáveis aleatórias
Métodos para geração de variáveis aleatórias Cristiano de Carvalho Santos cristcarvalhosan@gmail.com Departamento de Estatística, Universidade Federal de Minas Gerais (UFMG) Introdução Por que é necessário
Leia maisSUMÁRIO. 1 Lista de Modelos Probabilísticos Modelos Discretos Modelos Contínuos... 3
SUMÁRIO Lista de Modelos Probabilísticos. Modelos Discretos.................................. Modelos Contínuos................................ 3 LISTA DE MODELOS PROBABILÍSTICOS. MODELOS DISCRETOS Distribuição
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisInversão. Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, Hélio Lopes Departamento de InformáAca PUC- Rio 4/25/13
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio Inversão Teorema: Sejam F : IR [0, 1] a função
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia mais1) Deseja-se usar o algoritmo de rejeição para simular de uma v.a. normal positiva, cuja densidade é dada por. 2 x > 0.
MAE0399 - Análise de Dados e Simulação - o semestre de 208 - IME - USP 2 a Lista de Exercícios ) Deseja-se usar o algoritmo de rejeição para simular de uma v.a. normal positiva, cuja densidade é dada por
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia mais2. Distribuições amostrais
2. Distribuições amostrais USP-ICMC-SME 203 USP-ICMC-SME () 2. Distribuições amostrais 203 / 22 Amostra aleatória Notação. X: variável aleatória (v.a.). f(x; θ): função densidade de probabilidade (X contínua)
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia mais1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
Leia maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
Leia maisAnálise de dados em Fisica de Particulas
Análise de dados em Fisica de Particulas Magno V.T. Machado Instituto de Fisica - UFRGS Escola de Fisica de Particulas e Campos. Agosto 05-09, 2013 Números aleatórios e Monte Carlo Muitas aplicações computacionais
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado
Leia maisAnálise de Dados em Astronomia. 3. Distribuições de Probabilidades
1 / 24 3. Distribuições de Probabilidades Análise de Dados em Astronomia 3. Distribuições de Probabilidades Laerte Sodré Jr. AGA0505, 1o. semestre 2019 introdução aula de hoje 1 2 a distribuição uniforme
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A Normal. A Normal. Normal Log-Normal Gama Erlang Beta.
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 6 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Normal Log-Normal Gama Erlang Beta Weibull Student (t) Qui-Quadrado
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. A plataforma R
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio A plataforma R R é uma linguagem de programação
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisAGA Análise de Dados em Astronomia I. O método de Monte Carlo
1 / 16 AGA 0505- Análise de Dados em Astronomia I O método de Monte Carlo Laerte Sodré Jr. 1o. semestre, 2018 2 / 16 breve história método de resolução de problemas baseado em amostragem aleatória de distribuições
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia maisrio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aleatórias nuas
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 04: Variáveis Aleatórias Contínuas nuas Função densidade de probabilidade contínua nua f(x) a b f(x) 0 para
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisGeração de Variáveis Aleatórias Contínuas. Mat02274 Estatística Computacional. A função densidade de probabilidade. Exemplo
Estatística Computacional Geração de Variáveis Aleatórias Contínuas 06 Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ A função densidade de probabilidade Seja X uma variável aleatória
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisCapítulo 2. Variáveis Aleatórias e Distribuições
Capítulo 2 Variáveis Aleatórias e Distribuições Experimento Aleatório Não existe uma definição satisfatória de Experimento Aleatório. Os exemplos dados são de fenômenos para os quais modelos probabilísticos
Leia maisLista de Exercícios - V.A.s Discretas
Lista de Exercícios - V.A.s Discretas Renato Assunção - DCC, UFMG 207 Esta lista de exercícios visa ao aprendizado de algumas das características das principais distribuições de probabilidade discretas.
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Qui-quadrado 02/14 1 / 1 Definição 14.1: Uma variável aleatória contínua X tem
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia mais{ C(1 x 2 ), se x ( 1, 1), f(x) = Cxe x/2, se x > 0, x + k, se 0 x 3; 0, c.c. k, se 1 < x 2; kx + 3k, se 2 < x 3;
Universidade de Brasília Departamento de Estatística 4 a Lista de PE 1. Seja X uma variável aleatória com densidade { C(1 x 2 ), se x ( 1, 1), 0, se x / ( 1, 1). a) Qual o valor de C? b) Qual a função
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia mais1) Considere Y N(1, 1) e X Y = y N(y, 4). A quantidade de interesse é θ = P (X > 1).
1 Considere Y N1, 1 e X Y y Ny, 4. A quantidade de interesse é θ P X > 1. a Explique como obter uma estimativa de θ via simulação. Solução: Uma maneira simples de obter uma estimativa de θ é simulando
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisPseudo-Aleatórios. Cristiano R. F. Granzotti e Antônio Carlos Roque da Silva Filho 19 de junho de 2017
Estatística e Geração de Números Pseudo-Aleatórios Cristiano R. F. Granzotti e Antônio Carlos Roque da Silva Filho 19 de junho de 2017 1 Variáveis Aleatórias, Estatísticas e Distribuições Dados de uma
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia maisProbabilidade Aula 08
332 Probabilidade Aula 8 Magno T. M. Silva Escola Politécnica da USP Maio de 217 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia e ciências,
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisAula 7. Aula de hoje. Aula passada
Aula 7 Aula passada Método de Monte Carlo Estimando somatórios Calculando erro Estimando Erro de Integração de Monte Carlo Monte Carlo Ray Tracing Aula de hoje Gerando amostras de v.a. discretas Gerando
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-1 Integração usando o método da rejeição Queremos calcular a integral Definimos um retângulo de altura H que contenha a
Leia mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
Leia maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia mais5 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 5 a Lista de PE Solução. Sejam X A e X B o números de jogos que o time ganha contra times da classe A e da classe B respectivamente. Claramente X A
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisModelos Probabilisticos Discretos
Modelos Probabilisticos Discretos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 30 A distribuição Uniforme Discreta Suponha um experimento
Leia maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisDistribuições de probabilidade de variáveis aleatórias contínuas
Distribuições de probabilidade de variáveis aleatórias contínuas Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Distribuição Exponencial Introdução É utilizada frequentemente como modelo para
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
Leia maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisDistribuições Truncadas e Aplicações
Distribuições Truncadas e Aplicações Raydonal Ospina Departamento de Estatística - CCEN/UFPE Gustavo H. Esteves Departamento de Estatística - CCT/UEPB 58ª RBRAS - 15º SEAGRO Campina Grande - Paraíba -
Leia maisMAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre o Método dos Mínimos Quadrados
MAP 2121 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre o Método dos Mínimos Quadrados 1: Usando o método dos mínimos quadrados de maneira conveniente, aproxime os pontos da tabela abaixo por uma
Leia mais