CONSTRUINDO GERADORES DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS
|
|
- Kevin de Abreu Melgaço
- 7 Há anos
- Visualizações:
Transcrição
1 76 CONSTRUINDO GERADORES DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS Ana Cláudia Lima (Uni-FACEF) Antonio Carlos da Silva Filho (Uni-FACEF) INTRODUÇÃO As origens da simulação estocática podem ser rastreadas até uma experiência realizada no século XVIII por Georges Louis Leclerc, Conde de Buffon. Leclerc jogava, aleatoriamente, uma agulha sobre um quadro cheio de linha paralelas desenhadas nele. A partir de suas observações, ele derivou a probabilidade de que a agulha interceptasse uma linha. Pouco depois, Pierre Simon de Laplace viu neste experimento uma maneira de obter uma estimativa estatística para o número π. O método de solução numérica de problemas que se baseia na simulação usando variáveis aleatórias é conhecido como Método de Monte Carlo. Sua origem data de 1949, com a publicação do artigo The Monte Carlo method (METROPOLIS, 1949). A denominação do método provém do nome da cidade do principado de Mônaco, famosa pelo cassino homônimo. O princípio do Método de Monte Carlos já era conhecido antes da publicação do artigo de Metropolis: era utilizado, por exemplo, no tratamento de dados de amostras aleatórias em estatística. Mas a sua ampla aplicação não era viável antes do aparecimento dos computadores eletrônicos (FISHMAN, 1996). Números que são produzidos por algum processo de natureza probabilista são conhecidos como números aleatórios. Exemplos de tais processos são: sorteio de bolas numeradas numa loteria, roletas nos cassinos, lançamento de moedas, lançamento de dados, etc. Um dos problemas científicos mais importantes começou a se manifestar após o surgimento, na década de cinqüenta, dos primeiros computadores eletrônicos, pois ficou evidente a necessidade de dispor de grandes quantidades destes números num curto espaço de tempo. O que, à primeira vista, poderia parecer uma solução natural para esta questão, revelou-se pouco prático: o armazenamento prévio, na memória do computador, de imensas quantidades destes 76
2 77 números, gerados por qualquer dos processos verdadeiramente aleatórios descritos acima. A exigência de muito espaço disponível nas memórias dos computadores, principalmente nos primeiros tempos da era computacional, constituiu o empecilho mais sério para sua utilização. Assim, foram desenvolvidos métodos matemáticos para a geração, através de processos deterministas, de números aleatórios dentro do próprio computador. Havia vantagens evidentes neste tipo de procedimento: ficava mais fácil corrigir programas de simulação, quando surgia algum tipo de erro, se a execução deste programa pudesse ser exatamente repetida, até que se encontrasse o ponto onde estivesse ocorrendo o problema; além disso, em problemas onde havia a comparação de abordagens alternativas, esta comparação poderia ser feita com mais precisão se ambas fossem simuladas sob as mesmas influência aleatórias externas. Como são feitas as simulações? Os algoritmos manipulados no computador vão gerar uma seqüência de números matematicamente calculada, deterministamente prevista, conforme uma regra prefixada. Cada número da seqüência é usado para gerar o seguinte; logo, é necessário fixar um número para começar a seqüência: este número é conhecido como semente. Obviamente, há aí uma limitação: como trabalhamos com um número finito de casas decimais, após algum tempo poderemos recair em algum dos números previamente gerados, repetindo, então a seqüência a partir daí, deixando de obter números verdadeiramente aleatórios, pois se instala uma periodicidade. Como um exempo simples, se estamos obtendo números entre, e 1,, com uma precisão de três casas decimais, mesmo que os primeiros mil e um números sejam diferentes, o milésimo-segundo repetirá, necessariamente, algum dos anteriores. Mas pode ser que esta repetição aconteça antes desta posição. Ocorre que, para propósitos práticos, os números são gerados com várias casas decimais, não sendo necessário usar toda a seqüência deles até que algum se repita. Se usarmos oito casas, seremos capazes de gerar até cem milhões de números diferentes! Como testar se os números gerados são uniformemente espalhados pelo intervalo [, 1]? A literatura da área está repleta de testes (L'ECUYER, 1992), sendo os mais importantes o The Scalable Parallel Random Number Generators Library (SPRNG) e os testes DIEHARD (MARSAGLIA, 1996). Este trabalho não se propõe 77
3 78 a construir algum novo gerador de números aleatórios, mas a construir um algoritmo que, a partir dos números gerados por qualquer gerador existente, redistribua os números gerados de maneira a preencher uniformemente o intervalo [, 1]. Os números assim redistribuídos serão, posteriormente, submetidos aos testes DIEHARD. Devido ao fato de os números estarem uniformemente redistribuídos, espera-se bons resultados com estes testes. 1 MATERIAIS E MÉTODOS Imagine-se uma caixa com dez bolas numeradas de a 9. Sorteia-se uma bola e, após repô-la na caixa, faz-se um novo sorteio. Repetindo-se o processo um grande número de vezes, espera-se chegar às freqüências do quadro abaixo: Número Freqüência,1,1,1,1,1,1,1,1,1,1 Nem sempre a lei expressa na tabela acima ocorre nos experimentos aleatórios do mundo real. Assim, criaram-se testes estatísticos especiais, que partirão da hipótese de que as freqüências dos dígitos sorteados segue a tabela acima. Um dos testes mais simples baseia-se na soma: 9 I = ( f i,1 N) 2 onde N é o número de algarismos sorteados f i é a quantidade de vezes em que o algarismos i foi sorteado. A teoria da probabilidades permite deduzir em que limites deverá estar compreendida esta soma. J. von Neumann propôs o primeiro algoritmo gerador de números pseudoaleatórios no computador, tendo-o chamado de método do meio dos quadrados. O seguinte exemplo será ilustrativo deste algoritmo (BLUM, 1986): Seja uma semente, um número com quatro casas decimais dado, como o número x o =,9876. Eleva-se x o ao quadrado, obtendo-se x 2 o =, Formase, a seguir, o número x 1 com as quatro casas decimais do meio: x 1 =,5353. Repete-se em seguida o procedimento, obtendo-se: x 2 1 =, e x 2 =,6546, x 3 =,851, x 4 =,267, x 5 =,1289, etc. Constatou-se, porém, uma preponderância de pequenos valores entre os números gerados por este método, levando à elaboração de diversos outros algoritmos. Vários deles estão descritos no 78
4 79 livro Numerical Recipes (PRESS, 1986) e em vários artigos espalhados pela literatura especializada (EICHENAUER-HERRMANN, 1993, 1995; L'ECUYER, 199, 1994; TEZUKA, 1995). Quais são, então, as principais aplicações científicas destes geradores? Scheid (1989) as divide em duas categorias: simulação e amostragem. Simulação refere-se aos métodos que fornecem imitações aritméticas para fenômenos reais. Já a amostragem refere-se aos métodos de dedução das propriedades de um grande conjunto de elementos através do estudo de um pequeno subconjunto aleatório do mesmo. Deve-se notar que o que pode ser considerado aleatório para uma aplicação pode não o ser para outra. Apesar disto, podemos pensar em casos ideais; para este limite, existem alguns testes estatísticos e os bons geradores de números aleatórios deveriam passar por estes testes. O que este projeto propõe é a construção de geradores de números aleatórios. Tal construção será feita através da combinação de mapas caóticos, simples de serem gerados, mesmo numa calculadora de mão. Parte do trabalho será gasto na construção de algoritmos que explicitem este procedimento e parte no teste dos resultados dos algoritmos. Knuth (1981) descreve um conjunto de testes considerados como padrões para os geradores de números aleatórios. Marsaglia (1996) propôs uma bateria de testes denominados DIEHARD, que podem ser considerados mais exigentes do que os testes clássico de Knuth (1981). Este último conjunto de testes será o que será utilizado. 3 RESULTADOS Um mapa caótico, como o Mapa Logístico x n+1 = kx n (1 x n ) não produz séries numéricas, mesmo na região em que o parâmetro k tenha um valor que produza o caos, com as características das séries aleatórias. Isto pode ser exemplificado nos dois diagramas construídos com números gerados no computador: (a) no primeiro gráfico, os números são obtidos a partir de um gerador 79
5 8 de números aleatórios presente no programa Matlab; (b) no segundo gráfico, os números são obtidos a partir do mapeamento logístico acima, com k igual a 4. Espera-se, para um bom gerador, que preencha uniformemente o espaço do gráfico, o que não ocorre para o Mapa Logístico. (a) Diagrama para números obtidos com um gerador de números aleatórios: Fig. 1 Diagrama de retorno para uma variável aleatória uniforme. (b) Diagrama para números obtidos com o Mapa Logístico, para k = 4:
6 81 Fig. 2 Diagrama de retorno para o Mapa Logístico. A frequência com que os números caem em cada um dos dez intervalos de igual amplitude em que se pode dividir o intervalo [, 1] varia de acordo com a quantidade de pontos; para 1. pontos obtivemos os seguintes números: distribuição que é bastante desigual. Isto pode ser visualizado na figura 3 a seguir: 3 25 Porcentagem de pontos intervalos Fig. 3 Porcentagem de pontos em cada um dos dez intervalos iguais em que se divide o intervalo [, 1], para 1. pontos do Mapa Logístico. A linha azul indica a porcentagem esperada para variáveis aleatórias uniformemente distribuídas. 81
7 82 Um outro sistema discreto é o sistema de Hénon, introduzido na literatura pelo astrônomo francês M. Hénon em Este é um mapa bidimensional definido pelas seguintes equações: X n+1 = 1 a(x n ) 2 + Y n Y n+1 = bx n onde, usualmente: a = 1,4; b =,3. Hénon provou que o comportamento deste sistema depende das condições iniciais: ou as variáveis vão para o infinito ou para a estrutura exibida na figura 4 a seguir: y x Fig. 4 Mapa de Hénon para a = 1,4 e b =,3. O Mapa de Hénon é caótico no sentido de que as sequências de pontos obtidos para ele serão diferentes para diferentes condições iniciais. Apesar disto, a aparência geral do mapa não se altera se mudarmos estas condições. Quando procuramos as frequências com que os valores da variável x se apresentam ao 82
8 83 dividirmos o intervalo [-1,5; 1,5] em dez subintervalos iguais, encontramos, para um total de 1. pontos, os seguintes valores: os quais podem ser melhor visualizados na figura 5 a seguir: porcentagem intervalos Fig. 5 Porcentagem de pontos em cada um dos dez intervalos iguais em que se divide o intervalo [-1,5; 1,5], para 1. pontos do Mapa de Hénon. A linha azul indica a porcentagem esperada para variáveis aleatórias uniformemente distribuídas. Mas, o que acontece quando construímos um diagrama de retorno para a variável x? Se notarmos que, para o Mapa de Hénon, x n-1 e y n são proporcionais, podemos esperar obter a mesma figura, apenas rodada em relação à original e dilatada no eixo x n-1, o que, visualmente, pode ser anulado por um reescalonamento dos eixos. O mesmo se aplica se construirmos um diagrama de retorno para a variável y. Desta maneira, não é de estranhar que se obtenha, para o diagrama de retorno do Mapa de Hénon, a figura 6 a seguir: 83
9 x(n) x(n-1) Fig. 6 Diagrama de retorno para a variável x do Mapa de Hénon. Uma primeira possibilidade de gerar, a partir de mapas caóticos, números verdadeiramente aleatórios, é construir uma sequência secundária, a partir da sequência primária obtida do mapeamento, onde haja um retardo entre os elementos sucessivos. Este retardo pode ser de um valor, de dois ou, em geral, de k valores. Assim, por exemplo, a partir da sequência original: S1 = {a 1, a 2, a 3,..., a n } obtém-se, com um retardo de k valores, a sequência alterada: S2 = {a 1, a 1+k, a 1+2k,..., a m } com m n. Assim, com k = 2, obtemos a figura abaixo: 84
10 x(n) x(n-2) Fig. 7 Diagrama de retorno, com k=2. Já para k=1, obtemos: x(n) x(n-1) Fig. 8 Diagrama de retorno, com k=1. 85
11 86 Para k=2, obtemos a figura abaixo: x(n) x(n-2) Fig. 9 Diagrama de retorno, com k=2. 4 ANÁLISE E CONCLUSÃO De acordo com os gráficos obtidos, podemos verificar que, pela maneira com que a sequência foi construída, os pontos se espalham de maneira mais uniforme pelo plano. Podemos então concluir, numa primeira aproximação, que esta é uma maneira melhor de gerar números pseudo-aleatórios. 86
12 87 BIBLIOGRAFIA BLUM, L.; BLUM, M.; SCHUB, M. A simple unpredictable pseudo random number generator. SIAM Journal on Computing, v. 15(2), p , EICHENAUER-HERRMANN, J. Statistical independence of a newclass of inversive congruential pseudorandom numbers. Mathematics of Computation, v. 6, p , EICHENAUER-HERRMANN, J. Pseudorandom number generation by nonlinear methods. International Statistical Reviews, v. 63, p FISHMAN, G. S. Monte Carlo: Concepts, Algorithms, and Applications. Springer Series in Operations Research. New York: Springer-Verlag, KNUTH, D. E. The Art of Computer Programming, v. 2: Seminumerical Algorithms. 2. ed. Reading, Massachusetts: Addison-Wesley, p. HANSELMAN, Duane; LITTLEFIELD, Bruce. Matlab 6 Curso Completo. São Paulo: Prentice Hall, p. L'ECUYER, P. Random numbers for simulation. Communications of the ACM. v. 33(1), p , 199. L'ECUYER, P. Testing random number generators. In Proceedings of the 1992 Winter Simulation Conference, IEEE Press., p , L'ECUYER, P. Uniform random number generation. Annals of Operations Research, v. 53, p , METROPOLIS, N.; ULAM, S. The Monte Carlo Method. J. Amer. Statistical Assoc., 1949, v. 44, p MARSAGLIA, George. Diehard: a battery of tests of randomness Disponível em < (acesso em 2 março 27). PRESS, William H. Numerical Recipes. Cambridge: Cambridge University Press, p. 87
13 88 TEZUKA, S Uniform Random Numbers: Theory and Practice. Norwell, Massachusetts: Kluwer Academic Publishers, p. 88
GERAÇÃO DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS
66 GERAÇÃO DE NÚMEROS ALEATÓRIOS A PARTIR DE MAPAS CAÓTICOS DETERMINISTAS Antônio Carlos da Silva Filho (UNI-Facef) Irfley Andrade de Oliveira (UNI-Facef) Marco Dimas Gubitoso (IME-USP) INTRODUÇÃO As origens
Leia maisUSANDO O MÉTODO DE MONTE CARLO PARA ENCONTRAR RAÍZES DE EQUAÇÕES
USANDO O MÉTODO DE MONTE CARLO PARA ENCONTRAR RAÍZES DE EQUAÇÕES Antônio Carlos da Silva Filho (Uni-FACEF) Faiano Guasti Lima (USP) 1 INTRODUÇÃO Um dos principais prolemas no cálculo numérico refere-se
Leia maisO ALEATÓRIO EM COMPUTAÇÃO. Por Diogo Anderson Integrante do Grupo PET Computação
O ALEATÓRIO EM COMPUTAÇÃO Por Diogo Anderson (diogo@dsc.ufcg.edu.br) Integrante do Grupo PET Computação AGENDA Introdução Definição Aplicações Números aleatórios Números aleatórios vs pseudo-aleatórios
Leia maisSIMULAÇÃO MONTE CARLO PARA O TRÁFEGO DE PEDESTRES OBSERVADOS COMO UM FLUÍDO NÃO CONVENCIONAL
SIMULAÇÃO MONTE CARLO PARA O TRÁFEGO DE PEDESTRES OBSERVADOS COMO UM FLUÍDO NÃO CONVENCIONAL Marina Vargas R. P. G. Ferreira a, Fábio A. N. Balbo b, Liliana Madalena Gramani c e Eloy Kaviski d a PPGMNE,
Leia maisMonte Carlo Method. Peter Frank Perroni. December 1, Monte Carlo Simulation
Monte Carlo Simulation December 1, 2015 Histórico Técnica muito antiga porém somente recentemente oficializado como método estatístico. Foi muito importante nas simulações da bomba desenvolvida no Projeto
Leia maisMat2274 Estatística Computacional. Números (Pseudo) Aleatórios. Conceitos. Básicos. Conceito
03 Mat2274 Estatística Computacional Números (Pseudo) Aleatórios Prof. Lori Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Conceito Conceitos Básicos Números aleatórios (NA) são elementos
Leia maisTREND STRIPS E NÍVEIS DE RUÍDO ADICIONADOS A UM MAPA SENOIDAL
167 TREND STRIPS E NÍVEIS DE RUÍDO ADICIONADOS A UM MAPA SENOIDAL Antônio Carlos da Silva Filho Uni-FACEF Introdução Trend Strips (TS) são uma nova técnica de análise da dinâmica de um sistema, quando
Leia maisIntrodução aos Números Pseudo-aleatórios. Profa. Dra. Soraia Raupp Musse
Introdução aos Números Pseudo-aleatórios Profa. Dra. Soraia Raupp Musse Conceito: Um gerador de número pseudo-aleatório é um algoritmo que gera uma seqüência de números, os quais são aproximadamente independentes
Leia maisUma Breve Introdução ao Monte Carlo
Uma Breve Introdução ao Monte Carlo Uma Breve Introdução ao Monte Carlo Introdução Histórico Método da Rejeição Simples Algumas Aplicações Simples Cálculo de integrais Geração de eventos Referências Introdução
Leia maisMonitor: Diego Augusto Silva (P8 Eng. Elétrica) Atendimento: 2as. de 19:45h às 21:30h
Monitor: Diego Augusto Silva (8 Eng. Elétrica) Email: Atendimento: as. de 9:5h às :30h A Nota arcial de Aproveitamento (NA) será obtida da seguinte forma: NA = 0.6 NT + 0. N A nota prática será dada por:
Leia maisSimulação estocásaca
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio? A Chute aleatório C Saída B Algoritmo 1 A simulação
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 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 maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-2 MetComp 2014-1 IF-UFRJ Sistemas determinísticos Os sistemas físicos podem ser: Sistemas determinísticos Descritos por
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
Leia maisConsiderações sobre a Condição Inicial na Construção do Diagrama de Bifurcação para o Mapa Logístico
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Considerações sobre a Condição Inicial na Construção do Diagrama de
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisMÉTODO DE RUNGE-KUTTA APLICADO À DEFLEXÃO DE VIGA 1 RUNGE-KUTTA METHOD APPLIED TO BEAM DEFLECTION
MÉTODO DE RUNGE-KUTTA APLICADO À DEFLEXÃO DE VIGA 1 RUNGE-KUTTA METHOD APPLIED TO BEAM DEFLECTION Giovani Prates Bisso Dambroz 2, Peterson Cleyton Avi 3 1 Texto produzido a partir de trabalho desenvolvido
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisFísica Estatística Computacional
Física Estatística Computacional Tereza Mendes IFSC USP http://lattice.ifsc.usp.br/cbpf.html Física Estatística Computacional Vamos trabalhar com sistemas estocásticos, em que um grande número de integrantes
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Análise da dados através de gráficos Introdução a Simulação Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes
Leia maisMatemática Computacional. Edgard Jamhour
Matemática Computacional Edgard Jamhour Definição A matemática computacional é uma área da matemática e da computação que trata do desenvolvimento de modelos matemáticos, para o tratamento de problemas
Leia maisEstatística. O que é Estatística? Estatística pode ser: Estatística Descritiva. Ivonete Melo de Carvalho. Conteúdo
Estatística Estatística Descritiva Ivonete Melo de Carvalho Conteúdo Definições; Tabelas e Gráficos; Medidas de tendência central; Medidas de dispersão. Objetivos Diferenciar população e amostra. Elaborar
Leia maisSimulação: Pseudoaleatoriedade, um estudo sobre o método do meio do quadrado
Simulação: Pseudoaleatoriedade, um estudo sobre o método do meio do quadrado João Ferreira da Silva Júnior 1, Sérgio Francisco Tavares de Oliveira Mendonça 1, Edson Alves de Carvalho Júnior 2 1 Unidade
Leia maisUniversidade Federal do Espírito Santo - UFES
Universidade Federal do Espírito Santo - UFES Centro Universitário Norte do Espírito Santo - CEUNES Departamento de Matemática Aplicada - DMA Prof. Isaac P. Santos - 2018/1 Aula: Erros e Aritmética de
Leia maisGeração de números uniformes
Geração de números uniformes Importância e principais algorítmos Prof. Walmes Zeviani walmes@ufpr.br Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná
Leia maisCOMO FUNCIONA A SIMULAÇÃO. Capítulo 2 - Aula 2. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
COMO FUNCIONA A SIMULAÇÃO Capítulo 2 - Aula 2 1 Tratando a Variabilidade dos Sistemas As diferenças fundamentais entre os dois tratamentos (T. Filas e simulação): para a solução analítica o objetivo da
Leia mais3 Definições. 3.1 Processos Estocásticos e Processo de Wiener
25 3 Definições 3.1 Processos Estocásticos e Processo de Wiener Um processo estocástico corresponde a uma variável que evolui no decorrer do tempo de forma incerta ou aleatória. O preço de uma ação negociada
Leia maisUnidade VII Amostragem
Unidade VII Amostragem Na última aula... Saber os motivos que levam o pesquisador a trabalhar com amostra e entender a importância da inferência. Saber identificar população, amostra e variável aleatória.
Leia maisANÁLISE DO VALOR DO PASSO DA RECONSTRUÇÃO PARA O CÁLCULO DA DIMENSÃO DE CORRELAÇÃO EM SISTEMAS CAÓTICOS
6 ANÁLISE DO VALOR DO PASSO DA RECONSTRUÇÃO PARA O CÁLCULO DA DIMENSÃO DE CORRELAÇÃO EM SISTEMAS CAÓTICOS Natália Diniz (Uni-FACEF) Antonio Carlos da Silva Filho (Uni-FACEF) INTRODUÇÃO Seja a seguinte
Leia mais2. podemos solucionar problemas não somente probabilisticas, mas tambem qualquer
Aula 3 (21/3/211, 23/3/211). Métodos de Monte Carlo I. Introdução. 1 Teoria ão temos no momento a definição exata de metodos de Monte Carlo. o nosso curso metodos de Monte Carlo vamos chamar metodos computacionais
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 maisEXAME ESCRITO. 2. Na página de instruções, preencha seu nome completo (em letra de forma), o número fornecido no início da prova e sua assinatura.
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL - INSTITUTO DE MATEMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM ENSINO DE MATEMÁTICA SELEÇÃO PARA INGRESSO NO MESTRADO PROFISSIONALIZANTE EM ENSINO DE MATEMÁTICA NO 1º
Leia maisO JOGO DA VIDA 1. INTRODUÇÃO
484 O JOGO DA VIDA Paulo Sérgio Matias Júnior (Uni-FACEF) Amaury Carlos Silveira Moura (Uni-FACEF) Thales Freitas da Costa (Uni-FACEF) Orientador: Prof. Dr. Antônio Carlos da Silva Filho (Uni-FACEF) 1.
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 maisAgulha de Buffon. Lauro Didier Lins. 19 de Maio de Resumo. No século XVIII o matemático e naturalista francês Conde de Buffon estava
Agulha de Buffon Lauro Didier Lins 19 de Maio de 2004 Resumo No século XVIII o matemático e naturalista francês Conde de Buffon propôs um interessante experimento. É sobre este experimento e sua simulação
Leia maisPartícula em um Poço de Potencial Infinito e o Método Variacional de Monte Carlo
Revista Brasileira de Ensino de Física, vol. 25, no. 1, Março, 2003 35 Partícula em um Poço de Potencial Infinito e o Método Variacional de Monte Carlo (Particle in an infinity potential well and the variational
Leia maisUMA APLICAÇÃO INGÊNUA DO MÉTODO DE MONTE CARLO: VISUALIZAÇÃO DE ORBITAIS ATÔMICOS MÁRIO GOTO 1 VERÍSSIMO MANOEL DE AQUINO 1
UMA APLICAÇÃO INGÊNUA DO MÉTODO DE MONTE CARLO: VISUALIZAÇÃO DE ORBITAIS ATÔMICOS MÁRIO GOTO 1 VERÍSSIMO MANOEL DE AQUINO 1 GOTO, M.; AQUINO, V.M. de. Uma aplicação ingênua do método de Monte Cario: visualização
Leia mais, logo, para se obter uma boa precisão seria necessário aumentar, e muito, o número de
2. Simulação de Monte Carlo A Simulação de Monte Carlo (SMC) é um método numérico que utiliza um gerador de números aleatórios para simular possíveis valores da variável de interesse e assim obter a estimativa
Leia maisEXERCÍCIOS DO CAPÍTULO 1
EXERCÍCIOS DO CPÍTULO 1 1) Escreva em notação simbólica: a) a é elemento de b) é subconjunto de c) contém d) não está contido em e) não contém f) a não é elemento de ) Enumere os elementos de cada um dos
Leia maisModelo de Markov e Simulação de Monte Carlo do Jogo do Monopólio
Modelação e Simulação 2011/12 Trabalho de Laboratório nº4 Modelo de Markov e Simulação de Monte Carlo do Jogo do Monopólio Objectivo Após realizar este trabalho, o aluno deverá ser capaz de Construir um
Leia maisAula 3: Algoritmos: Formalização e Construção
Aula 3: Algoritmos: Formalização e Construção Fernanda Passos Universidade Federal Fluminense Programação de Computadores IV Fernanda Passos (UFF) Algoritmos: Formalização e Pseudo-Código Programação de
Leia maisAula 5. Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios?
Aula 5 Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios? Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa.
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 maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7 Distribuição da Média Amostral Leitura obrigatória: Devore: Seções 5.3, 5.4 e 5.5 Chap 8-1 Inferência Estatística Na próxima aula vamos começar a parte de inferência
Leia maisÁrvore Binária de Busca Ótima
MAC 5710 - Estruturas de Dados - 2008 Referência bibliográfica Os slides sobre este assunto são parcialmente baseados nas seções sobre árvore binária de busca ótima do capítulo 4 do livro N. Wirth. Algorithms
Leia maisModelagem e Análise de Sistemas - COS767
Modelagem e Análise de Sistemas - COS767 Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Geração de variáveis aleatórias: método da transformada inversa Simulação
Leia maisaula DISTRIBUIÇÃO NORMAL - PARTE I META OBJETIVOS PRÉ-REQUISITOS Apresentar o conteúdo de distribuição normal
DISTRIBUIÇÃO NORMAL - PARTE I 4 aula META Apresentar o conteúdo de distribuição normal OBJETIVOS Ao final desta aula, o aluno deverá: determinar a média e a variância para uma função contínua; padronizar
Leia maisarxiv: v1 [eess.sp] 4 Dec 2017
DINCON 2017 CONFERÊNCIA BRASILEIRA DE DINÂMICA, CONTROLE E APLICAÇÕES 30 de outubro a 01 de novembro de 2017 São José do Rio Preto/SP Uma avaliação rigorosa da intermitência no mapa logístico por meio
Leia maisO valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV
O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV Um conceito simples e útil mas que não é normalmente explorado no Ensino Básico no Brasil é o de valor esperado de
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 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 maisÁlvaro Rodrigues Pereira Júnior Pós-graduando do Centro de Pesquisa e Desenvolvimento em Eng. Elétrica/UFMG
GERAÇÃO DE NÚMEROS ALEATÓRIOS Álvaro Rodrigues Pereira Júnior Pós-graduando do Centro de Pesquisa e Desenvolvimento em Eng. Elétrica/UFMG Maria Eugênia de Almeida Freitas Professora Assistente do Centro
Leia maisConceitos e Princípios Gerais
Conceitos e Princípios Gerais Conceitos e Princípios Gerais Fases na resolução de problemas físicos Resolução do Modelo Matemático Conceitos Básicos de Cálculo Numérico Erros em Processos Numéricos Fases
Leia maisUniversidade Federal de Mato Grosso - UFMT Probabilidade e Estatística
Universidade Federal de Mato Grosso - UFMT Probabilidade e Estatística 1 Introdução Definição: Estatística é um conjunto de conceitos e métodos científicos para coleta, organização, descrição, análise
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisCálculo Diferencial e Integral I
Cálculo Diferencial e Integral I Prof. Lino Marcos da Silva Atividade 1 - Números Reais Objetivos De um modo geral, o objetivo dessa atividade é fomentar o estudo de conceitos relacionados aos números
Leia maisErros e Aritmética de ponto flutuante
Cálculo Numérico Noções básicas sobre erros Aritmética de ponto flutuante Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br DCC IM UFRJ Parte I Noções básicas sobre erros Introdução Validação Modelagem
Leia maisAnálise Numérica (1) Introdução e Sistemas de Numeração V1.0, Victor Lobo, Análise Numérica. Doutor Victor Sousa Lobo.
e Sistemas de Numeração Análise Numérica Doutor Victor Sousa Lobo Escola Naval 1 1 Objectivo da cadeira Finalidade (Pescolnav 101): Proporcionar aos alunos conhecimentos sobre a introduçao aos métodos
Leia maisDISTRIBUIÇÃO CONTÍNUA UNIFORME
DISTRIBUIÇÃO CONTÍNUA UNIFORME Números aleatórios com distribuição contínua uniforme constituem o recurso básico em simulação. Em EXCEL a função ALEATÓRIO gera números reais aleatórios uniformemente distribuídos
Leia maisCálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
Leia maisEstatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal.
Estatística Probabilidade Profa. Ivonete Melo de Carvalho Conteúdo Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Objetivos Utilizar a probabilidade como estimador
Leia maisO valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV
O valor esperado de uma quantidade aleatória Paulo Cezar Pinto Carvalho IMPA e EMAp/FGV Um conceito simples e útil mas que não é normalmente explorado no Ensino Fundamental no Brasil é o de valor esperado
Leia maisCálculo Numérico Noções básicas sobre erros
Cálculo Numérico Noções básicas sobre erros Profa. Vanessa Rolnik 1º semestre 2015 Fases da resolução de problemas através de métodos numéricos Problema real Levantamento de Dados Construção do modelo
Leia maisRef: H.Gould e J. Tobochnik. Para integrais em uma dimensão as regras do trapezóide e de Simpson são
Método de Monte Carlo Resolução de Integrais Ref: H.Gould e J. Tobochnik Para integrais em uma dimensão as regras do trapezóide e de Simpson são melhores, mais rápidas. A técnica de resolução de integrais
Leia maisO Método de Monte Carlo
.....Universidade Federal de Santa Maria...Centro de Ciências Naturais e Exatas Grupo de Teoria da Matéria Condensada O Método de Monte Carlo Aplicações do algoritmo de Metropolis no Modelo de Ising Mateus
Leia maisMétodo Analítico. Método Numérico
UFRN/CT/DCA Nota de Aula Introdução aos Métodos Computacionais e Estudo dos Erros Prof Anderson Cavalcanti Métodos Computacionais Contextualização Muitos problemas de engenharia consistem em obter uma
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisFísica Computacional 4 Integrais numéricos
Física Computacional 4 Integrais numéricos 1. Aplicando c++ aos integrais numéricos a. Integral rectangular b. A regra do trapézio c. Integração de Simpson d. Pontos de Gauss e. Metropolis Monte-Carlo
Leia maisEstudo de erros Erros na fase de modelagem: 1.2. Erros na fase de resolução:
MATEMÁTICA ICET UFMT Clculo Numrico Licenciatura Plena em Matemática Prof. Geraldo Lúcio Diniz Estudo de erros 1. Introdução A obtenção de uma solução numérica para um problema físico por meio da aplicação
Leia maisEAD Simulação. Aula 4 Geração de Variáveis Aleatórias. Profa. Dra. Adriana Backx Noronha Viana
EAD0652 - Simulação Aula 4 Geração de Variáveis Aleatórias Profa. Dra. Adriana Backx Noronha Viana Framework Estrutura para aplicação do processo de Simulação Saída Processamento Entrada Possibilidades
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado em Engenharia Electrotécnica e de Computadores Ano Lectivo: 2007/2008 Semestre: 2 o
INSTITUTO SUPERIOR TÉCNICO Mestrado em Engenharia Electrotécnica e de Computadores Ano Lectivo: 2007/2008 Semestre: 2 o MATEMÁTICA COMPUTACIONAL Eercícios 1 1.1 Represente num sistema de ponto flutuante
Leia maisPROGRAMA DE ENSINO DE DISCIPLINA Matriz Curricular - Resolução UNESP nº. 158, de 05/12/2012.
PROGRAMA DE ENSINO DE DISCIPLINA Matriz Curricular - Resolução UNESP nº. 158, de 05/12/2012. Unidade Universitária: Curso: Engenharia de Bioprocessos e Biotecnologia Departamento Responsável: Departamento
Leia maisMATRIZ DA PROVA DE EXAME
MATRIZ DA PROVA DE EXAME (AVALIAÇÃO DO REGIME NÃO PRESENCIAL E AVALIAÇÃO DE RECURSO) MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS - 11º ANO Módulos 4, 5 e 6 Duração da Prova 135 minutos Modalidade: Prova escrita
Leia maisRepresentação e erros numéricos
Representação e erros numéricos Marina Andretta ICMC-USP 29 de fevereiro de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo numérico
Leia maisCálculo Numérico IPRJ/UERJ. Sílvia Mara da Costa Campos Victer ÍNDICE. Aula 1- Introdução. Representação de números. Conversão de números
Cálculo Numérico IPRJ/UERJ Sílvia Mara da Costa Campos Victer ÍNDICE Aula 1- Introdução Representação de números Conversão de números Aritmética de ponto flutuante Erros em máquinas digitais Aula 1 - Introdução
Leia mais6.Elaboração de algoritmos...13
Índice de conteúdos Capítulo 1. Computação Científica...1 1.Definição...1 2.Modelo genérico...2 3.Modelo matemático...2 4.Tipos de modelos matemáticos...3 5.Modelação matemática...5 5.1.Definição (formulação)
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS SOCIAIS E APLICADAS AMOSTRAGEM ALEATÓRIA SIMPLES
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS SOCIAIS E APLICADAS AMOSTRAGEM ALEATÓRIA SIMPLES Apresentação do método de amostragem aleatória simples Disciplina: Estatística Professor: Ricardo Valgas
Leia maisCapítulo 1 - Erros e Aritmética Computacional
Capítulo 1 - Erros e Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança 2 o Ano - Eng. Civil e Electrotécnica Carlos Balsa 1/ 26 Sumário 1 Definição
Leia maisCapítulo 5 Distribuições de Probabilidades. Seção 5-1 Visão Geral. Visão Geral. distribuições de probabilidades discretas
Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de Probabilidade Binomial 5-4 Média, Variância e Desvio Padrão da Distribuição Binomial 5-5 A Distribuição
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
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 maisElementos de Estatística. Michel H. Montoril Departamento de Estatística - UFJF
Elementos de Estatística Michel H. Montoril Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os estatísticos são
Leia maisMonte Carlo Quântico
Monte Carlo Quântico Tiago Pinheiro Ursulino Aluno de doutorado do Prof. Dr. Nestor Caticha Instituto de Física da USP PGF5295 - Teoria Quântica de Muitos Corpos em Matéria Condensada Prof. Dr. Luis Gregório
Leia maisEstatística Computacional Profª Karine Sato da Silva
Estatística Computacional Profª Karine Sato da Silva karine.sato.silva@gmail.com Introdução Quando analisamos uma variável qualitativa, basicamente, construímos sua distribuição de frequências. Ao explorarmos
Leia maisDensidade de Probabilidade com Distribuições Exponencial e Pareto Intervalares
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Soluções Numéricas com Exatidão Máxima para as Funções Densidade de Probabilidade com Distribuições Exponencial e Pareto Intervalares Alice F. Finger,
Leia maisFísica Geral. Incertezas em Medidas Diretas
Física Geral Incertezas em Medidas Diretas Experimento Simples Medidas diretas: valores resultantes de medições de uma mesma grandeza, realizadas por um mesmo experimentador, com o mesmo instrumento de
Leia maisFundamentos de Arquiteturas de Computadores
Fundamentos de Arquiteturas de Computadores Cristina Boeres Instituto de Computação (UFF) Conversões Entre Bases Numéricas Material de Fernanda Passos (UFF) Conversões Entre Bases Numéricas FAC 1 / 42
Leia maisCPV O cursinho que mais aprova na GV
O cursinho que mais aprova na GV FGV Administração Prova Objetiva 07/dezembro/008 MATEMÁTICA 0. Uma pesquisa de mercado sobre determinado eletrodoméstico mostrou que 7% dos entrevistados preferem a marca
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 maisCálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
Leia maisDETERMINAÇÃO EXPERIMENTAL DA ACELERAÇÃO DE CORPOS EM QUEDA SELEÇÃO DE INSTRU- MENTOS
DETERMINAÇÃO EXPERIMENTAL DA ACELERAÇÃO DE CORPOS EM QUEDA SELEÇÃO DE INSTRU- MENTOS Sandra Maria Couto Moreira Ronaldo Luiz Neves Pinheiro Luiz Carlos de Alvarenga Depto. de Física UFV Viçosa MG I. Introdução
Leia maisPlanificação a médio e longo prazo. Matemática B. 11º Ano de escolaridade. Total de aulas previstas: 193. Ano letivo 2015/2016
Planificação a médio e longo prazo Matemática B 11º Ano de escolaridade. Total de aulas previstas: 193 Ano letivo 2015/2016 Professor responsável: Paulo Sousa I O programa Matemática B do 11º Ano - Página
Leia maisPROGRAMAÇÃO OBJECTIVOS DA CADEIRA
PROGRAMAÇÃO Engª Mecânica 2007-2008 Sérgio Rodrigues sergio.rodrigues@ipt.pt OBJECTIVOS DA CADEIRA Fornecer aos alunos os conhecimentos básicos de algoritmia, capacitando-os para o desenho e documentação
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 mais4 Modelagem Numérica. 4.1 Método das Diferenças Finitas
4 Modelagem Numérica Para se obter a solução numérica das equações diferenciais que regem o processo de absorção de CO 2,desenvolvido no capitulo anterior, estas precisam ser transformadas em sistemas
Leia maisNotas de Aula. Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.
Notas de Aula Estatística Elementar 10ª Edição by Mario F. Triola Tradução: Denis Santos Slide 1 Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Dentre a grande variedade de sistemas que podem ser modelados e para os quais a simulação pode ser aplicada com proveito, uma classe
Leia mais