Fernando Nogueira Simulação 1
|
|
- Ângela Valverde Padilha
- 7 Há anos
- Visualizações:
Transcrição
1 Simulação a Eventos Discretos Fernando Nogueira Simulação
2 Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos Modelos Contínuos: estado do sistema muda continuamente em função do tempo. Utiliza-se geralmente equações diferenciais para descrever iterações entre diferentes elementos do sistema. Exemplo: crescimento de populações, circuitos eletrônicos, reações químicas, modelos econométricos,... Modelos Discretos: estado do sistema muda somente no instante que ocorre um evento, para todos os demais instantes de tempo, nada muda no sistema. Para isto, utiliza-se os conceitos de Filas. Exemplo: sistemas que podem ser modelados como filas de espera. Obs: este tipo de simulação é conhecido como Simulação a Eventos Discretos. Definição Genérica de Eventos Toda Simulação a Eventos Discretos descreve, diretamente ou indiretamente, situações de fila, em que clientes chegam, aguardam em fila se necessário e então recebem atendimento antes de deixar o sistema. Com isso, existem apenas dois eventos que controlam a simulação: chegadas e atendimentos. Fernando Nogueira Simulação
3 Exemplo: dois produtos são processados em duas máquinas em série, as quais possuem ampla área de buffer. Os eventos são: A: o produto chega na máquina. D: o produto deixa a máquina. A: o produto chega na máquina. D: o produto deixa a máquina. A: o produto chega na máquina. D: o produto deixa a máquina. A: o produto chega na máquina. D: o produto deixa a máquina. Nota-se que só existe eventos: chegada (A) de um produto em uma máquina e saída (D) de um produto de uma máquina. Os números e são atributos que caracterizam os eventos. obs: admitindo que um produto ao ser processado na máquina vai direto para a máquina, os eventos D e A são idênticos, assim como D e A. Amostragem a partir de Distribuições de Probabilidade Quando o intervalo t entre sucessivos eventos é probabilístico, faz-se necessário gerar amostra aleatórias a partir de uma distribuição de probabilidade f(t). Método Inverso seja F(x) P{y x} a Função de Distribuição de Probabilidade da variável aleatória x com Função Densidade de Probabilidade f(x) (contínua ou discreta), e R uma amostra aleatória a partir da Distribuição Uniforme (0,), x F - (R). Fernando Nogueira Simulação 3
4 t F ( x ) c o n t í n u a F ( x ) d i s c r e t a R R 0 x x 0 x x Exemplo: Distribuição Exponencial λt t λe R F f ( ) ( t) F t ( t) 0 λe λx dx e λt t ln λ λ ( R) ou t ln( R) Amostras de t a partir de Exponencial (lambda.5) Histograma Frequencia Amostra t Fernando Nogueira Simulação 4
5 Geração de Números Aleatórios com Distribuição Uniforme Como utilizar o computador digital, a mais precisa e determinística máquina concebida pelo homem, para produzir números aleatórios? Uma vez que qualquer programa vai produzir uma saída inteiramente previsível, a geração de números aleatórios em um computador representa uma impossibilidade conceitual. A única maneira prática consiste em utilizar operações aritméticas. Tais números não são verdadeiramente aleatórios e por isso são denominados Números Pseudo- Aleatórios. O método mais comum para gerar Números Pseudo-Aleatórios é: Método Congruente Multiplicativo Dado os parâmetros u 0 (semente), b, c e m, um número pseudo-aleatório R n pode ser gerado por: Exemplo : mod mod ((bu + ) u n mod n c),m,n,,... u n R n,n,,... m onde : ( x, y) x y*floor(x / ( x, y) x, para y 0 y), para y 0 b 9,c 5,u ((9 + 5), ) (( ), ) Fernando Nogueira Simulação 5 u R u R mod 8 mod , m 8 5
6 Simulação Monte Carlo Estimar a área de uma circunferência com equação (x-) + (y-) 5 Raio 5, área do quadrado 00, área exata da circunferência n0 7 6 n área 80% da área do quadrado área 78% da área do quadrado n000 área 78.4% da área do quadrado Fernando Nogueira Simulação 6
7 Mecanismo da Simulação a Eventos Discretos Evento Chegada. Gerar e armazenar cronologicamente o tempo de chegada do próximo cliente (tempo corrente + tempo entre chegadas).. Se a instalação de atendimento está ociosa a) Começar o atendimento e declarar a instalação de atendimento ocupada. Atualizar as estatísticas de utilização da instalação de atendimento. b) Gerar e armazenar cronologicamente o tempo de saída (término do atendimento) do cliente (tempo corrente + tempo de atendimento). 3. Se a instalação de atendimento está ocupada, colocar o cliente na fila e atualizar as estatísticas da fila. Evento Saída (Atendimento). Se a fila está vazia, declarar a instalação de atendimento ociosa. Atualize as estatísticas da instalação de atendimento.. Se a fila não está vazia a) Selecionar um cliente a partir da fila e coloca-lo na instalação de atendimento. Atualizar a fila e as estatísticas da instalação de atendimento. b) Gerar e armazenar cronologicamente o tempo de saída dos cliente. (tempo corrente + tempo de atendimento). Fernando Nogueira Simulação 7
8 Exemplo: O intervalo de tempo entre chegadas em uma barbearia é exponencial com média de 5 minutos e existe um único barbeiro que gasta entre 0 e 5 minutos uniformemente distribuídos para fazer uma barba. A disciplina da fila é FIFO e deseja-se )estimar a utilização média da barbearia, ) o número médio de clientes no sistema e 3) o tempo médio que um cliente aguarda na fila. Seja p e q amostras aleatórias dos tempos entre chegadas e de atendimento, respectivamente, então: p 5ln R em min. 0 R q 0 + 5R ( ) em min. 0 R Chegada do Cliente em T 0 Gerar chegada do cliente em T 0 + p 0 + [-5ln(.0589)] 4.48 min. Instalação de atendimento está ociosa em T 0, cliente começa a ser atendido. O tempo de saída é T 0 + q 0 + (0 + 5 x.6733) 3.37 min. A lista cronológica é: T Evento 3.37 saída do cliente 4.48 chegada do cliente Fernando Nogueira Simulação 8
9 Saída do Cliente em T 3.37 Porque fila está vazia, instalação é declarada ociosa. Declarar que a instalação de atendimento esteve ocupada entre T 0 e T 3.37 min. Atualizar a lista cronológica: T Evento 4.48 chegada do cliente Chegada do Cliente em T 4.48 Gerar chegada do cliente 3 em T p [-5ln(.4799)] min. Instalação de atendimento está ociosa em T 4.48, cliente começa a ser atendido e instalação é declara ocupada. O tempo de saída é T q (0 + 5 x.9486) 57. min. Atualizar a lista cronológica: T Evento chegada do cliente saída do cliente Chegada do Cliente 3 em T Gerar chegada do cliente 4 em T p [-5ln(.639)] 60.8 min. Instalação de atendimento está ocupada (até T 57.), cliente 3 é colocado na fila em T Atualizar a lista cronológica: T Evento 57. saída do cliente 60.8 chegada do cliente 4 Fernando Nogueira Simulação 9
10 Saída do Cliente em T 57. Cliente 3 é retirado da fila para começar atendimento. O tempo aguardado é W min. O tempo de saída é T (0 + 5 x.5933) 70.9 min. Atualizar a lista cronológica: Chegada do Cliente 4 em T 60.8 T Evento 60.8 chegada do cliente saída do cliente 3 Gerar chegada do cliente 5 em T p [-5ln(. 934)] 6.83 min. Instalação de atendimento está ocupada (até T 70.9), cliente 4 é colocado na fila. Atualizar a lista cronológica: T Evento 6.83 chegada do cliente saída do cliente 3 Chegada do Cliente 5 em T 6.83 Simulação é limitada para 5 chegadas, chegada do cliente 6 não é gerada. A instalação de atendimento está ocupada e então cliente é colocado na fila em T Atualizar a lista cronológica: T Evento 70.9 saída do cliente 3 Fernando Nogueira Simulação 0
11 Saída do Cliente 3 em T 70.9 Cliente 4 é retirado da fila para começar atendimento. O tempo aguardado é W min. O tempo de saída é T (0 + 5 x.78) 8.08 min. Atualizar a lista cronológica: Saída do Cliente 4 em T 8.08 T Evento 8.08 saída do cliente 4 Cliente 5 é retirado da fila para começar atendimento. O tempo aguardado é W min. O tempo de saída é T (0 + 5 x.3473) 9.8 min. Atualizar a lista cronológica: T Evento 9.8 saída do cliente 5 Saída do Cliente 5 em T 9.8 Não há mais clientes no sistema (fila e instalação de atendimento) e a simulação termina. Fernando Nogueira Simulação
12 L q W 4 W 5 A 3.73 W 3 A 8.63 A + A q clientes 9.8 L Utilização instalação q T q q 3 q 4 q 5 A A Utilização A 3 + A 4 instalação barbeiros T W + W + W 5 + W + W Wq Fernando Nogueira Simulação 6.47 min
13 Fernando Nogueira Simulação 3 ( ) ( )( ) ( ) ( )( ) c.c. 0, b x c, c b a b x b c x a, a c a b a x c) b, (x a, f ( ) ( )( ) ( ) ( )( ) c.c. 0, b x c, c b a b x b c x a, a c a b a x c) b, F(x a, Distribuição Triangular
14 Estatística Em Probabilidade os modelos matemáticos de processos e sistemas são afetados por chances. Em Estatística estes modelos são checados contra a realidade. 4
15 Distribuições Empíricas Como dados amostrados são convertidos para funções de probabilidade? Os passos a se seguir são: )Armazenar os dados na forma de um histograma de freqüência e determinar a função de probabilidade empírica associada. )Utilizar um teste estatístico a fim de verificar se a função de probabilidade empírica é amostrada a partir de alguma função de probabilidade teórica. 5
16 Histograma de Freqüências Um histograma de freqüência é construído como o número de amostras que estão dentro de um determinado intervalo de uma série de intervalos não superpostos de valores possíveis (ou no mínimo coerentes) que as amostras podem assumir. 6
17 Exemplo Suponha que um comerciante de laranjas pese todas as 00 caixas de laranjas que comprou de um produtor. 7
18
19 Os valores mínimo e máximo nesta tabela são e 6.873, respectivamente. Isto significa que todas as amostras podem ser classificadas no intervalo [57,6], escolhido arbitrariamente. Arbitrariamente escolhem-se o número de intervalos para dividir o intervalo [57,6]. Escolhendo-se 5 intervalos, pode-se montar a seguinte tabela: 9
20 I Intervalo Freqüência Observada O i Freqüência Relativa f i Freqüência Relativa Acumulada F i [57,58] [58,59] [59,60] [60,6] [6,6] total 00 0
21 35 Histograma de Freqüência Observada 30 5 Freqüência pesos (kg)
22 Histograma de Freqüência Relativa e Acumulada Freqüência Relativa pesos (kg)
23 N p p f ( ) s i i p pi p i N i f i p kg s p ( ) ( ) ( ) ( ) ( ). kg + 3
24 Teste da Qualidade do Ajustamento Este teste é utilizado para avaliar se as amostras utilizadas na determinação da distribuição empírica são oriundas de uma distribuição teórica especifica. Com os valores estimados de média e variância no exemplo anterior é possível comparar a distribuição empírica com uma Distribuição Normal, por exemplo, com parâmetros µ p σ s p 4
25 Distribuição Relativa e Acumulada Empírica e Teórica 0.9 Freqüência Relativa ou probabilidade pesos (kg) 5
26 6 Teste de Qui-Quadrado ( ) ( ) ( ) ( ) i i I I i i i I F I F n dx x f n n ( ) χ N i i i i n n O
27 7
28 χ ( ) ( ) ( ) ( ) ( 6.464) Teste de Hipótese H0: amostras são oriundas da distribuição teórica H: amostras não são oriundas da distribuição teórica A hipótese básica (H 0 ) é aceita, ao nível de significância α, se: χ < χ ν,α ν N k 5 8
29 Para um nível de significância de 5%, por exemplo, o valor tabelado é χν, α χ, Como χ.534,pode-se dizer que a hipótese nula H0 é aceita, ou seja, para um nível de confiança de 95%, as amostras são oriundas de uma população com Distribuição Normal. 9
30 χ ν, α Tabela A - Percentis da Distribuição de Qui-Quadrado P 0,005 0,0 0,05 0,05 0, 0,5 0,75 0,9 0,95 0,975 0,99 0,995 ν 0,00 0,00 0,00 0,00 0,0 0,0,3,7 3,84 5,0 6,63 7,88 0,0 0,0 0,05 0,0 0, 0,58,77 4,6 5,99 7,38 9, 0,60 3 0,07 0, 0, 0,35 0,58, 4, 6,5 7,8 9,35,34,84 4 0, 0,30 0,48 0,7,06,9 5,39 7,78 9,49,4 3,8 4,86 5 0,4 0,55 0,83,5,6,67 6,63 9,4,07,83 5,09 6,75 6 0,68 0,87,4,64,0 3,45 7,84 0,64,59 4,45 6,8 8,55 7 0,99,4,69,7,83 4,5 9,04,0 4,07 6,0 8,48 0,8 8,34,65,8,73 3,49 5,07 0, 3,36 5,5 7,53 0,09,95 9,73,09,70 3,33 4,7 5,90,39 4,68 6,9 9,0,67 3,59 0,6,56 3,5 3,94 4,87 6,74,55 5,99 8,3 0,48 3, 5,9,60 3,05 3,8 4,57 5,58 7,58 3,70 7,8 9,68,9 4,73 6,76 3,07 3,57 4,40 5,3 6,30 8,44 4,85 8,55,03 3,34 6, 8,30 3 3,57 4, 5,0 5,89 7,04 9,30 5,98 9,8,36 4,74 7,69 9,8 4 4,07 4,66 5,63 6,57 7,79 0,7 7,,06 3,68 6, 9,4 3,3 5 4,60 5,3 6,6 7,6 8,55,04 8,5,3 5,00 7,49 30,58 3,80 6 5,4 5,8 6,9 7,96 9,3,9 9,37 3,54 6,30 8,85 3,00 34,7 7 5,70 6,4 7,56 8,67 0,09,79 0,49 4,77 7,59 30,9 33,4 35,7 8 6,6 7,0 8,3 9,39 0,86 3,68,60 5,99 8,87 3,53 34,8 37,6 9 6,84 7,63 8,9 0,,65 4,56,7 7,0 30,4 3,85 36,9 38,58 0 7,43 8,6 9,59 0,85,44 5,45 3,83 8,4 3,4 34,7 37,57 40,00 8,03 8,90 0,8,59 3,4 6,34 4,93 9,6 3,67 35,48 38,93 4,40 8,64 9,54 0,98,34 4,04 7,4 6,04 30,8 33,9 36,78 40,9 4,80 3 9,6 0,0,69 3,09 4,85 8,4 7,4 3,0 35,7 38,08 4,64 44,8 4 9,89 0,86,40 3,85 5,66 9,04 8,4 33,0 36,4 39,36 4,98 45,56 5 0,5,5 3, 4,6 6,47 9,94 9,34 34,38 37,65 40,65 44,3 46,93 6,6,0 3,84 5,38 7,9 0,84 30,43 35,56 38,89 4,9 45,64 48,9 7,8,88 4,57 6,5 8,,75 3,53 36,74 40, 43,9 46,96 49,65 8,46 3,56 5,3 6,93 8,94,66 3,6 37,9 4,34 44,46 48,8 50,99 9 3, 4,6 6,05 7,7 9,77 3,57 33,7 39,09 4,56 45,7 49,59 5, ,79 4,95 6,79 8,49 0,60 4,48 34,80 40,6 43,77 46,98 50,89 53, ,9 8,5 0,57,47 4,80 9,05 40, 46,06 49,80 53,0 57,34 60,7 40 0,7,6 4,43 6,5 9,05 33,66 45,6 5,8 55,76 59,34 63,69 66, ,3 5,90 8,37 30,6 33,35 38,9 50,98 57,5 6,66 65,4 69,96 73,7 50 7,99 9,7 3,36 34,76 37,69 4,94 56,33 63,7 67,50 7,4 76,5 79, ,73 33,57 36,40 38,96 4,06 47,6 6,67 68,80 73,3 77,38 8,9 85, ,53 37,48 40,48 43,9 46,46 5,9 66,98 74,40 79,08 83,30 88,38 9, ,38 4,44 44,60 47,45 50,88 56,99 7,8 79,97 84,8 89,8 94,4 98, ,8 45,44 48,76 5,74 55,33 6,70 77,58 85,53 90,53 95,0 00,43 04, 75 47, 49,48 5,94 56,05 59,79 66,4 8,86 9,06 96, 00,84 06,39 0,9 80 5,7 53,54 57,5 60,39 64,8 7,4 88,3 96,58 0,88 06,63,33 6, ,7 57,63 6,39 64,75 68,78 75,88 93,39 0,08 07,5,39 8,4, ,0 6,75 65,65 69,3 73,9 80,6 98,65 07,57 3,5 8,4 4, 8, ,5 65,90 69,9 73,5 77,8 85,38 03,90 3,04 8,75 3,86 9,97 34, ,33 70,06 74, 77,93 8,36 90,3 09,4 8,50 4,34 9,56 35,8 40,7 0 75,55 78,46 8,87 86,79 9,47 99,67 9,6 9,39 35,48 40,9 47,4 5, ,85 86,9 9,57 95,70 00,6 09, 30,05 40,3 46,57 5, 58,95 63, , 95,45 00,33 04,66 09,8 8,79 40,48 5,05 57,6 63,45 70,4 75, ,65 04,03 09,4 3,66 9,03 8,38 50,89 6,83 68,6 74,65 8,84 86, ,4,67 7,98,69 8,8 37,98 6,9 7,58 79,58 85,80 93, 98, ,68,35 6,87 3,76 37,55 47,60 7,68 83,3 90,5 96,9 04,53 09,8 70 6,6 30,06 35,79 40,85 46,84 57,3 8,05 94,0 0,4 08,00 5,8, ,88 38,8 44,74 49,97 56,5 66,87 9,4 04,70,30 9,04 7,06 3, ,55 47,6 53,7 59, 65,49 76,5 0,76 5,37 3,6 30,06 38,7 43, ,4 56,43 6,73 68,8 74,84 86,7 3,0 6,0 33,99 4,06 49,45 55, ,66 45,97 53,9 60,88 69,07 83,4 36,4 33,79 34,40 349,87 359,9 366, ,90 337,6 346,48 354,64 364, 380,58 48,70 436,65 447,63 457,3 468,7 476, ,30 49,39 439,94 449,5 459,93 478,3 50,95 540,93 553,3 563,85 576,49 585, ,53 5,37 534,0 544,8 556,06 576,9 6,99 644,80 658,09 669,77 683,5 69, ,38 65,9 68,58 639,6 65,50 674,4 74,86 748,36 76,66 775, 789,97 800, ,73 709,90 73,5 735,36 749,9 77,67 86,60 85,67 866,9 880,8 895,98 906, ,48 804,5 88,76 83,37 846,07 87,03 98,4 954,78 970,90 985,03 00,63 03,04 Fernando Nogueira Simulação 30
Simulação a Eventos Discretos. Fernando Nogueira Simulação 1
Simulação a s 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 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 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 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 maisS I M U L A Ç Ã O 84
S I M U L A Ç Ã O 84 - 1 - Elabore uma rotina que lhe permita gerar números pseudo-aleatórios (NPA) com distribuição X ( f X ( x ) representa a função de densidade de probabilidade de X e F X ( x ) representa
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 maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisMétodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez
Métodos Quantitativos para a Gestão Ambiental Probabilidades e Distribuições Estatísticas Parte 1 (4/13) Luiz Carlos Estraviz Rodriguez Distribuição de probabilidades Contexto O porquê desta aula Ao desenvolvermos
Leia maisSimulação com Modelos Teóricos de Probabilidade
Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.
Leia maisAnálise de Aderência e de Associação
Análise de Aderência e de Associação Capítulo 14, Estatística Básica (Bussab & Morettin, 8a Edição) Capítulo 8, Introdução Computacional à Probabilidade e Estatística (Pedrosa & Gama, Porto Editora) 8a
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Função Distribuição Condicional Calculando Probabilidades condicionando Esperança Condicional Aula de hoje Análise de Comandos de Programação
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisEstatística Não Paramétrica. Como construir testes de aderência
Estatística Não Paramétrica Como construir testes de aderência Teste Qui-quadrado Suposições amostra aleatória Dados nominais (sexo: M ou F) ou numéricos (idade: menor que 15, 15-24, 25-34, 35-44, 45-54,
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 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 maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
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 maisUniversidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria-PPGEAB Prova de Conhecimentos Específicos
-PPGEAB Dados que podem ser necessários na resolução de algumas questões: Quantis de distribuições P (t > t α ) = α P (F > F 0,05 ) = 0, 05 ν 1 ν 0,05 0,025 ν 2 42 43 56 57 89 1,66 1,99 42 1,67 1,67 1,63
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 Distribuições Discretas de Probabilidade
1 Distribuições Discretas de Probabilidade A distribuição discreta descreve quantidades aleatórias (dados de interesse) que podem assumir valores particulares e os valores são finitos. Por exemplo, uma
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 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 maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
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 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 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 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 maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Probabilidade Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Planejamento Experimental 2 fatores manipuláveis x 1 x 2 x p entradas Processo...... saídas
Leia maisAnálise 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 mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Leia maisColeta e Modelagem dos Dados de Entrada
Slide 1 Módulo 02 Coleta e Modelagem dos Dados de Entrada Prof. Afonso C. Medina Prof. Leonardo Chwif Três Etapas Coleta Tratamento Inferência Coleta dos Dados 1. Escolha adequada da variável de estudo
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
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 maisColeta e Modelagem dos Dados de Entrada
Coleta e Modelagem dos Dados de Entrada Capítulo 2 Páginas 24-52 Este material é disponibilizado para uso exclusivo de docentes que adotam o livro Modelagem e Simulação de Eventos Discretos em suas disciplinas.
Leia maisProblemas Resolvidos. 1. Distr. Uniforme Contínua. (a) f X (x; a, b) = 1 1 (x µ) 2. (b) µ = E(x) = a+b. e V ar(x) = (b a)2. 2. Distr.
Distribuições Contínuas - Problemas Resolvidos. Distr. Uniforme Contínua (a) f X (x; a, b) = b a (b) µ = E(x) = a+b e V ar(x) = (b a). Distr. Gaussiana (a) f X (x; a, b) = (x µ) π e (b) µ = E(x) = µ e
Leia maisPor que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo:
Por que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo: que cada pessoa disponha do uso exclusivo de uma rua para se movimentar;
Leia maisMetodologia de simulação
Metodologia de simulação OBJETIVOS E DEFINIÇÃO DO SISTEMA FORMULAÇÃO DO MODELO ANÁLISE E REDEFINIÇÃO MODELO ABSTRATO RESULTADOS EXPERIMENTAIS (Capítulo 6) MODELO CONCEITUAL (Capítulo 3) REPRESENTAÇÃO DO
Leia maisModelos de Distribuição PARA COMPUTAÇÃO
Modelos de Distribuição MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Distribuições Discretas Bernoulli Binomial Geométrica Hipergeométrica Poisson ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO
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 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 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 maisão, Regressão & Simulação
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 09: Correlação ão, Regressão & Simulação 1/43 Pode-se pesar um urso com fita métrica? Como os ursos, em sua
Leia maisAnálise Bayesiana de Dados - Aplicações 1 -
Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica
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 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 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 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 maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
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 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 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 maisUniversidade Federal da Paraíba Departamento de Estatística Lista 1 - Outubro de 2013
1. Seja X a duração de vida de uma válvula eletrônica e admita que X possa ser representada por uma variável aleatória contínua, com f.d.p. be bx, x 0. Seja p j = P (j X < j + 1). Verifique que p j é da
Leia maisACH Introdução à Estatística Conteúdo Teórico: 12 - Simulação
ACH2053 - Introdução à Estatística Conteúdo Teórico: Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
Leia maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisCAPÍTULO 4 CONCEITOS BÁSICOS DE ESTATÍSTICA E PROBABILIDADES
CAPÍTULO 4 CONCEITOS BÁSICOS DE ESTATÍSTICA E PROBABILIDADES. INTRODUÇÃO - Conceito de população desconhecida π e proporção da amostra observada P. π P + pequeno erro Perguntas: - Qual é o pequeno erro?
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 maisBioestatística e Computação I
Bioestatística e Computação I Distribuições Teóricas de Probabilidade Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas
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 maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisESTATÍSTICA Distribuições qui-quadrado, t de Student e F de Snedecor Lucas Schmidt
ESTATÍSTICA Distribuições qui-quadrado, t de Student e F de Snedecor Lucas Schmidt lucas.breniuk@hotmail.com Estimação de parâmetros Média Variância Proporção Estimação de parâmetros Média: " estimador
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 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 maisPlanejamento e Otimização de Experimentos
Planejamento e Otimização de Experimentos Um Pouco de Estatística Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br anselmo.disciplinas@gmail.com Populações, Amostras e Distribuições População Amostra
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
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 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 maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
Leia maisEstatística Aplicada
Estatística Aplicada Intervalos de Confiança Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada INTERVALOS DE CONFIANÇA Processos de estimação Estimação por ponto: o processo em
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 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 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 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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Aula Valor esperado como solução do problema do menor erro quadrático médio e Quantis 03/14 1 / 15 Valor esperado como solução
Leia maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho
Teoria de Filas - Resumo Pedroso 4 de setembro de 2011 1 Introdução 2 Definições básicas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de sistemas de comunicação
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 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 maisUniversidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria-PPGEAB Prova de Conhecimentos Específicos
-PPGEAB Dados que podem ser necessários na resolução de algumas questões: I. Dados da Tabela t de Student com ν graus de liberdade. P (t > t α ) = α ν 0,05 0,025 4 2,132 2,776 5 2,015 2,571 6 1,943 2,447
Leia maisExcel INTERMEDIÁRIO Estatística. Prof. Cassiano Isler Turma 3
Excel INTERMEDIÁRIO Prof. Cassiano Isler 2017.1 - Turma 3 s s Prof. Cassiano Isler Excel INTERMEDIÁRIO - Aula 4 2 / 29 s COSTA NETO, P. L. O.. 2. ed. São Paulo: Edgard Blücher (2002). GÓMEZ, Luis Alberto.
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 maisPHD 5742 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos
PHD 574 Estatística Aplicada ao Gerenciamento dos Recursos Hídricos 8 a aula Testes Não-Paramétricos de Hipóteses Mario Thadeu Leme de Barros Luís Antonio Villaça de Garcia Abril / 005 Estatística Aplicada
Leia maisIdentificação da Distribuição Teórica de Probabilidades
Identificação da Distribuição Teórica de Probabilidades A utilização de gráficos, tais como um histograma, são muito úteis para a identificação ou delineamento da distribuição teórica de probabilidades.
Leia maisFILA EM UM PRONTO SOCORRO Paciente espera por ser atendida por um médico em um pronto socorro
TEORIA DAS FILAS FILA EM UM PRONTO SOCORRO Paciente espera por ser atendida por um médico em um pronto socorro Ingressa na sala de atendimento Sai da sala de atendimento Pessoa precisa de cuidados médicos
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 t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Julgue os itens que se seguem, acerca da estatística descritiva. 51 Na distribuição da quantidade de horas trabalhadas por empregados de certa empresa, é sempre possível determinar
Leia maisSimulação Monte Carlo
Simulação Monte Carlo Nome do Prof. Fernando Saba Arbache Email do prof. fernando@arbache.com Definição Análise de risco faz parte da tomada de decisão Surgem constantemente incertezas, ambiguidades e
Leia maisModelos de Distribuições
7/5/017 Universidade Federal do Pará Instituto de Tecnologia Estatística Aplicada I Prof. Dr. Jorge Teófilo de Barros Lopes Campus de Belém Curso de Engenharia Mecânica 05/07/017 19: ESTATÍSTICA APLICADA
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 maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisPlanejamento e Otimização de Experimentos
Planejamento e Otimização de Experimentos Um Pouco de Estatística Descritiva Prof. Dr. Anselmo E de Oliveira anselmo.quimica.ufg.br elcana@quimica.ufg.br Populações, Amostras e Distribuições População
Leia maisSCX5005 Simulação de Sistemas Complexos II. Problemas em Simulação
SCX5005 Simulação de Sistemas Complexos II Alguns Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
Leia mais