Métodos de Monte Carlo
|
|
- Milena Ferrão Bonilha
- 8 Há anos
- Visualizações:
Transcrição
1 Departamento de Estatística - UFJF Outubro e Novembro de 2014
2 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática, Física e Engenharia
3 De modo geral, podemos descrever os da seguinte forma: 1. Defina um domínio para o problema 2. Gere dados aleatórios de uma distribuição de probabilidade sobre este domínio 3. Realize cálculos determinísticos nos dados gerados 4. Junte os resultados
4 - Estimativa da Média Se X é uma variável aleatória discreta, E(X ) = x X Se X é uma variável aleatória contínua, E(X ) = Um estimador para E(X ) é X = 1 n n i=1 X i xf (x) xf (x)dx
5 Estimativa da Média - Código no R n < x < rnorm ( n ) soma < 0 f o r ( j i n 1 : n ){ soma < soma + x [ j ] } soma/n
6 Lei Fraca dos Grandes Números Sejam X 1, X 2, variáveis aleatórias independentes e identicamente distribuídas. Sejam E(X 1 ) = µ e Var(X 1 ) = σ 2 <. Seja X n = 1 n n i=1 X i. Então, para todo ε > 0, lim n P( X n µ < ε) = 1
7 Lei Forte dos Grandes Números Sejam X 1, X 2, variáveis aleatórias independentes e identicamente distribuídas. Sejam E(X 1 ) = µ e Var(X 1 ) = σ 2 <. Seja X n = 1 n n i=1 X i. Então, para todo ε > 0, ( ) P lim X n µ < ε = 1 n
8 Diferença entre as Leis Fraca e Forte dos Grandes Números Lei Fraca: lim P( X n µ < ε) = 1 n ( ) Lei Forte: P lim X n µ < ε = 1 n A Lei Fraca afirma que para um n grande, X n provavelmente vai estar próximo de µ, embora X n µ > ε possa ocorrer um número infinito de vezes. A Lei Forte afirma que isto provavelmente não ocorrerá quase certamente. Em particular, para todo ε > 0, X n µ < ε será verdade para todo n suficientemente grande.
9 Estimativa da Média - Código no R n < x < rnorm ( n ) soma < 0 f o r ( j i n 2 : n ){ soma [ j ] < soma [ j 1] + x [ j ] } p l o t ( soma / ( 1 : n ), type= l ) a b l i n e ( mean ( x ), 0, c o l = r ed, l t y =2)
10 - Lançamento de Dados Calcule a probabilidade de obtermos 7 ou 11 na soma do lançamento de dois dados
11 Lançamento de Dados - Código no R n < l a n c < 0 f o r ( j i n 1 : n ){ l a n c [ j ] < sample ( seq ( 1, 6 ), 1) + sample ( seq ( 1, 6 ), 1) } ( sum ( l a n c ==7) + sum ( l a n c ==11))/n
12 - Estimativa de π Uma maneira de calcular o valor de π é a seguinte: Desenhe um quadrado com um círculo inscrito Distribua uniformemente de mesmo tamanho (grãos de areia, por exemplo) sobre o quadrado Conte o número de objetos dentro do círculo e o número total de objetos dentro do quadrado A razão entre estas contagens é uma estimativa entre as duas áreas
13 Estimativa de π - Código no R # quadrado em ( 0, 0 ), ( 1, 0 ), ( 0, 1 ), ( 1, 1) # s e m i c i r c u l o com r a i o 1 e c e n t r o em ( 0, 0) n < 10000; x < r u n i f ( n ) ; y < r u n i f ( n ) dados < m a t r i x ( c ( x, y ), n c o l =2) d i s t a n c i a < f u n c t i o n ( x ){ d < d i s t ( m a t r i x ( c ( 0, 0, x ), n c o l =2, byrow=true), method= e u c l i d e a n ) r e t u r n ( d ) } dados. d i s t a n c i a < a p p l y ( dados, 1, d i s t a n c i a ) 4 sum ( dados. d i s t a n c i a <= 1)/ n
14 Estimativa de π - Gráfico # g r a f i c o dados. menores < which ( dados. d i s t a n c i a <= 1) dados. m a i o r e s < which ( dados. d i s t a n c i a > 1) p l o t ( x [ dados. menores ], y [ dados. menores ], c o l = red, pch =20, x l a b= x, y l a b= y ) p o i n t s ( x [ dados. m a i o r e s ], y [ dados. m a i o r e s ], pch =20)
15 Gerar Números Aleatórios É possível gerar números aleatórios de qualquer distribuição de probabilidade a partir de um gerador de números aleatórios uniformes Veremos dois métodos para realizar esta tarefa
16 Método da Transformação Inversa Teorema. Seja U uma variável aleatória com distribuição uniforme no intervalo (0, 1). Se, para qualquer função de distribuição contínua F definimos a variável aleatória X como X = F 1 (U), então X tem distribuição F. (F 1 (u) é o valor de x tal que F (x) = u)
17 Método da Transformação Inversa Demonstração. F X (a) = P(X a) = P(F 1 (U) a) Como F (x) é uma função monótona, temos que F 1 (U) a se, e somente se, U F (a). Portanto, F X (a) = P(U F (a)) = F (a)
18 Método da Transformação Inversa - Exponencial Se X Exp(1), então F (x) = 1 e x Desta forma, F 1 (u) é o valor de x tal que 1 e x = u ou x = log(1 u) Assim, se U Unif(0, 1), então F 1 (U) = log(1 U)
19 Método da Transformação Inversa - Exponencial u < r u n i f (10000) x < l o g (1 u ) mean ( x ) v a r ( x ) h i s t ( x )
20 Método da Transformação Inversa - Weibull Gere 10,000 observações de uma variável aleatória de Weibull(α, β), cuja densidade é dada por { αβ α x α 1 exp[( x/β) α ], se x > 0 f (x) = 0, caso contrário. Utilize valores genéricos para α e β.
21 Método da Transformação Inversa - Weibull A função acumulada é dada por x F (x) = f (t)dt { 1 exp[( x/β) α ], se x > 0 = 0, caso contrário
22 Método da Transformação Inversa - Weibull Assim, U = 1 exp[ X /β] α exp[( X /β) α ] = 1 U (X /β) α = log(1 U) X /β = [log(1 U)] 1/α X = β[log(1 U)] 1/α
23 Método da Transformação Inversa - Weibull Como 1 U Unif(0,1), podemos simplesmente substituir 1 U para obter o algoritmo final: 1. Gere U Unif(0,1) 2. Retorne X = β[ log(u)] 1/α
24 Método da Transformação Inversa - Exponencial a l p h a < 5 beta < 2 n < u < r u n i f ( n ) x < beta ( l o g ( u ) ) ˆ ( 1 / a l p h a ) mean ( x ) # E(X) = beta gamma(1+1/ beta ) v a r ( x ) # Var (X) = beta ˆ2 (gamma(1+2/ a l p h a ) gamma(1+1/ a l p h a )ˆ2) h i s t ( x )
25 Método da Rejeição Suponha que temos um método para simular uma variável aleatória com função densidade de probabilidade g(x). Podemos gerar números aleatórios que possuam densidade f (x) simulando Y a partir de g e então aceitando este número gerado com probabilidade proporcional a f (Y ) g(y ). Seja c uma constante tal que f (y) g(y) c, para todo y 1. Simule Y com densidade g e simule um número aleatório U 2. Se U f (Y ) cg(y ), então X = Y. Caso contrário, volte ao passo 1
26 Método da Rejeição Teorema. A variável aleatória X gerada pelo Método da Rejeição tem função densidade de probabilidade f.
27 Método da Rejeição Demonstração. Seja X o valor obtido e seja N o número de iterações necessárias. Assim, P(X x) = P(Y N x) = P(Y x U f (Y )/cg(y )) P{Y x, U f (Y )/cg(y )} = K P{Y x, U f (Y )/cg(y ) Y = y}g(y)dy = K x {f (y)/cg(y)}g(y)dy = K x = f (y)dy, Kc
28 Método da Rejeição Demonstração (Cont.) onde K = P{U f (Y )/cg(y )}. Fazendo x, temos que K = 1/c.
29 Método da Rejeição - Beta Se X Beta(2, 4), utilize o método da rejeição para gerar uma amostra aleatória de X através do Método da Rejeição. A densidade de x é dada por 20x(1 x) 3, 0 < x < 1. Assim, podemos considerar o método de rejeição com g(x) = 1, 0 < x < 1 Para determinar o valor de c tal que f (x)/g(x) c, fazemos [ ] d f (x) = 20 [ (1 x) 3 3x(1 x) 2] dx g(x)
30 Método da Rejeição - Beta Igualando esta equação a zero, encontramos que seu máximo ocorre em x = 1/4. Assim, Portanto, f (x) g(x) = 20 ( 1 4 ) ( ) 3 3 = c f (x) cg(x) = 256 x(1 x)3 27
31 Método da Rejeição - Beta Portanto, o procedimento de rejeição torna-se 1. Gere números aleatórios U 1 e U 2, onde U i Unif(0, 1) 2. Se U U 1(1 U 1 ) 3, X = U 1. Caso contrário, repita o Passo 1.
32 Método da Rejeição - Beta n < k < 1 x < 0 w h i l e ( k < n ) { u1 < r u n i f ( 1 ) u2 < r u n i f ( 1 ) i f ( u2 <= 256/27 u1 (1 u1 )ˆ3){ x [ k ] < u1 k < k+1 } }
33 Amostragem de Importância Método para estimar esperanças Estima as esperanças com respeito a f reponderando amostras de uma distribuição q, diferente de f Não é um método de Monte Carlo i.i.d.
34 Amostragem de Importância Suponha que desejamos estimar µ = E f [g(x)], a esperança de alguma função g com respeito à distribuição de probabilidade f Seja q(x) a distribuição de onde sabemos gerar amostras i.i.d. Além disso, exigimos que q(x) > 0 sempre que g(x)f (x) > 0
35 Amostragem de Importância Usamos aqui o fato de que E f [g(x)] = E q [g(x) f (x) E f [g(x)] = g(x)f (x)dx g(x)f (x) = q(x)dx q(x) ( = E q g(x) f (x) ) q(x) q(x) ]:
36 Amostragem de Importância Assim, o estimador por amostragem de importância µ n para a esperança baseado numa amostra i.i.d. X 1, X 2,, X n q é dado por µ n = 1 n n i=1 g(x i )f (X i ) q(x i ) Pela Lei Forte dos Grandes Números, µ n µ com probabilidade 1
37 Aplicações da Amostragem de Importância Este método é geral e poderoso Entretanto, é particularmente útil em algumas situações especiais, como eventos raros
38 Eventos Raros Suponha que queiramos estimar P(Z > 4,5), onde Z N(0,1) Métodos ingênuos envolveriam amostrar Z 1, Z 2,, Z n N(0, 1) e calcular µ n = n i=1 I (Z i > 4,5)/n Mesmo para n = , este método provavelmente produziria uma estimativa de 0, pois a chance de observarmos Z > 4,5 é muito pequena 1 pnorm ( 4. 5 ) sum ( rnorm (100000) > 4. 5 )
39 Eventos Raros Entretanto, podemos obter estimativas melhores para P(Z > 4,5) utilizando outra função de importância Por exemplo, se usarmos q ExpTrunc(4,5; 1), onde q ExpTrunc(4,5; 1) é a distribuição Exponencial Truncada, definida como { e 1, se x > 4,5 f (x) = 0, caso contrário.
40 Eventos Raros Se X é uma variável aleatória com densidade f (x), então sua função densidade f (x X > a) truncada em a é g(x) f (x X > a) = 1 F (y), se x > a, 0, caso contrário onde g(x) = f (x) para todo a < x e g(x) = 0 caso contrário. Além disso, E(X X > a) = a xg(x)dx. 1 F (y)
41 Eventos Raros Portanto, a densidade de uma variável aleatória exponencial truncada é dada por f (x X > a) = λe λx 1 e λa Simule observações de uma distribuição exponencial com parâmetro λ truncada em a
42 Eventos Raros n < lambda < 1 a < 4. 5 x < r e x p ( 1 ) + a
43 Eventos Raros Encontre, por simulação, P(Z > 4,5), onde Z N(0, 1)
44 Eventos Raros n < 100 x < 0 k < 1 m < 1 w h i l e ( k < n ) { u1 < r e x p ( 1 ) u2 < r u n i f ( 1 ) i f ( u2 <= dnorm ( u1 ) ) { x [ k ] < u1 k < k+1 } m < m+1 } l e n g t h ( x )/m
45 Erro Padrão de Monte Carlo Não conhecemos µ e σ 2 Importante para estabelecer intervalos de confiança para nossas estimativas
46 Erro Padrão de Monte Carlo O erro padrão para a amostragem de importância simples é fácil de ser obtido: ( ) 1 n g(x i )f (X i ) Var( µ n ) = Var n q(x i ) i=1 = 1 ( ) 1 n Var g(x i )f (X i ) q n q(x i ) g(x pois X 1,, X n são i.i.d.. Como é fácil estimar Var i )f (X i ) q q(x i ) partir das amostras geradas, basta computar σ 2 baseada em g(x 1 )f (X 1 ) q(x 1 ),, g(xn)f (Xn) q(x n) a
47 Erro Padrão de Monte Carlo Teorema. Defina w(x) = f (x)/q(x). Se E q [w(x) 2 ] < e E q g 2 (x)w 2 (x) <. Então O Teorema Central do Limite Bivariado existe e é dado por [( 1 n n n i=1 g(x )] i)w(x i ) µ 1 n n i=1 w(x N(0, Σ) i) 1 A estimativa da variância assintótica σ 2 é consistente
Variáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisGeração de variáveis aleatórias
Geração de variáveis aleatórias Danilo Oliveira, Matheus Torquato Centro de Informática Universidade Federal de Pernambuco 5 de setembro de 2012 Danilo Oliveira, Matheus Torquato () 5 de setembro de 2012
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 maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
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 maisPE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,
Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis
Leia maisVariáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder
Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisSimulação Estocástica
Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisVariáveis Aleatórias Contínuas
Variáveis aleatórias contínuas: vamos considerar agora uma lista de quantidades as quais não é possível associar uma tabela de probabilidades pontuais ou frequências tempo de duração de uma chamada telefônica
Leia maisTeorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisDescreve de uma forma adequada o
EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada
Leia maisVetores Aleatórios, correlação e conjuntas
Vetores Aleatórios, correlação e conjuntas Cláudio Tadeu Cristino 1 1 Universidade Federal Rural de Pernambuco, Recife, Brasil Segundo Semestre, 2013 C.T.Cristino (DEINFO-UFRPE) Vetores Aleatórios 2013.2
Leia maisTeorema Central do Limite e Intervalo de Confiança
Probabilidade e Estatística Teorema Central do Limite e Intervalo de Confiança Teorema Central do Limite Teorema Central do Limite Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisExercício de Revisao 1
Exercício de Revisao 1 Considere que seu trabalho é comparar o desempenho de dois algoritmos (A e B) de computação gráfica, que usam métodos diferentes para geração de faces humanas realistas. São sistema
Leia maisESCOLA SECUNDÁRIA MANUEL DA FONSECA, SANTIAGO DO CACÉM GRUPO DISCIPLINAR: 500 Matemática Aplicada às Ciências Sociais
ANO: 11º ANO LECTIVO : 008/009 p.1/7 CONTEÚDOS MODELOS MATEMÁTICOS COMPETÊNCIAS A DESENVOLVER - Compreender a importância dos modelos matemáticos na resolução de problemas de problemas concretos. Nº. AULAS
Leia maisIntrodução à análise de dados discretos
Exemplo 1: comparação de métodos de detecção de cárie Suponha que um pesquisador lhe apresente a seguinte tabela de contingência, resumindo os dados coletados por ele, oriundos de um determinado experimento:
Leia maisAnálise de Arredondamento em Ponto Flutuante
Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto
Leia maisGeração de Números Aleatórios e Simulação
Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana
Leia maisMétodo Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba
Departamento de Física Universidade Federal da Paraíba 23 de Março de 2009 O que são os métodos de Monte-Carlo? Métodos numéricos que utilizam amostragem estatística (em contraposição a métodos determinísticos)
Leia maisInferência Estatística
Universidade Federal Fluminense Instituto de Matemática e Estatística Inferência Estatística Ana Maria Lima de Farias Departamento de Estatística Conteúdo 1 Inferência estatística Conceitos básicos 1 1.1
Leia mais2 Modelo Clássico de Cramér-Lundberg
2 Modelo Clássico de Cramér-Lundberg 2.1 Conceitos fundamentais Nesta sessão introduziremos alguns conceitos fundamentais que serão utilizados na descrição do modelo de ruína. A lei de probabilidade que
Leia maisAula 19 Teorema Fundamental das Integrais de Linha
Aula 19 Teorema Fundamental das Integrais de Linha MA211 - Cálculo II Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade
Leia mais3 Método de Monte Carlo
25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional
Leia maisTrabalhando com Pequenas Amostras: Distribuição t de Student
Probabilidade e Estatística Trabalhando com Pequenas Amostras: Distribuição t de Student Pequenas amostras x Grandes amostras Nos exemplos tratados até agora: amostras grandes (n>30) qualquer tipo de distribuição
Leia maisMAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos
Leia maisLogo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:
MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisCurso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal
Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na
Leia maisTópico 3. Limites e continuidade de uma função (Parte 2)
Tópico 3. Limites e continuidade de uma função (Parte 2) Nessa aula continuaremos nosso estudo sobre limites de funções. Analisaremos o limite de funções quando o x ± (infinito). Utilizaremos o conceito
Leia mais2 Modelo para o Sistema de Controle de Estoque (Q, R)
Modelo para o Sistema de Controle de Estoque (, ) Neste capítulo é apresentado um modelo para o sistema de controle de estoque (,). Considera-se que a revisão dos estoques é continua e uma encomenda de
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 mais1 Método de Monte Carlo Simples
Método de Monte Carlo Simples Finalidade: obter uma estimativa para o valor esperado de uma função qualquer g da variável aleatória θ, ou seja, E[g(θ)]. Seja g(θ) uma função qualquer de θ. Suponha que
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisDISTRIBUIÇÃO NORMAL 1
DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02
Leia maisSociedade Brasileira de Matemática Mestrado Profissional em Matemática em Rede Nacional. n=1
Sociedade Brasileira de Matemática Mestrado Profissional em Matemática em Rede Nacional MA Números e Funções Reais Avaliação - GABARITO 3 de abril de 203. Determine se as afirmações a seguir são verdadeiras
Leia maisA distribuição Weibull-Poisson
A distribuição Weibull-Poisson Estela Maris P. Bereta - DEs/UFSCar Francisco Louzada-Neto - DEs/UFSCar Maria Aparecida de Paiva Franco - DEs/UFSCar Resumo Neste trabalho é proposta uma distribuição de
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aulas passadas Modelagem de sistemas via cadeias de Markov Aula de hoje Introdução à simulação Gerando números pseudo-aleatórios 1 O Ciclo de Modelagem Sistema real Criação do Modelo
Leia mais6. Geometria, Primitivas e Transformações 3D
6. Geometria, Primitivas e Transformações 3D Até agora estudamos e implementamos um conjunto de ferramentas básicas que nos permitem modelar, ou representar objetos bi-dimensionais em um sistema também
Leia maisAlgoritmos Randomizados: Introdução
Algoritmos Randomizados: Introdução Celina Figueiredo Guilherme Fonseca Manoel Lemos Vinícius Sá 26º Colóquio Brasileiro de Matemática IMPA Rio de Janeiro Brasil 2007 Resumo Definições Monte Carlo Variáveis
Leia maisCAP4: Distribuições Contínuas Parte 1 Distribuição Normal
CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1
Leia maisDistribuição de Erlang
Distribuição de Erlang Uma variável aleatória exponencial descreve a distância até que a primeira contagem é obtida em um processo de Poisson. Generalização da distribuição exponencial : O comprimento
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 maisMétodos Estatísticos II 1 o. Semestre de 2010 ExercíciosProgramados1e2 VersãoparaoTutor Profa. Ana Maria Farias (UFF)
Métodos Estatísticos II 1 o. Semestre de 010 ExercíciosProgramados1e VersãoparaoTutor Profa. Ana Maria Farias (UFF) Esses exercícios abrangem a matéria das primeiras semanas de aula (Aula 1) Os alunos
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 maisTipos de Modelos. Exemplos. Modelo determinístico. Exemplos. Modelo probabilístico. Causas Efeito. Determinístico. Sistema Real.
Tipos de Modelos Sistema Real Determinístico Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Probabilístico Modelo determinístico Exemplos Gravitação F GM M /r Causas Efeito Aceleração
Leia maisCAP5: Amostragem e Distribuição Amostral
CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?
Leia mais2 Independência e dependência das taxas de juro
1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,
Leia maisDISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES
LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração
Leia maisEmpresa de Pesquisa Energética (EPE) 2014. Analista de Projetos da Geração de Energia
Empresa de Pesquisa Energética (EPE) 2014 Analista de Projetos da Geração de Energia Oi, pessoal! Vou resolver as quatro questões de Estatística (53 a 56) da prova elaborada pela banca Cesgranrio para
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
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 maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisProbabilidade. Definições e Conceitos
Probabilidade Definições e Conceitos Definições Probabilidade Medida das incertezas relacionadas a um evento Chances de ocorrência de um evento Aplicação em: Avaliação de Desempenho de Sistemas Engenharia
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia maisProcessos Estocásticos
Processos Estocásticos Segunda Lista de Exercícios 01 de julho de 2013 1 Uma indústria fabrica peças, das quais 1 5 são defeituosas. Dois compradores, A e B, classificam os lotes de peças adquiridos em
Leia maisInstituto Politécnico de Viseu Escola Superior de Tecnologia
Instituto Politécnico de Viseu Escola Superior de Tecnologia Departamento: Matemática Estatística I Curso: Contabilidade e Administração Ano: 3 o Semestre: o Prova: Exame Época: Normal Ano Lectivo: 2004/2005
Leia maisUniversidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria Prova de Conhecimentos Específicos
Dados que podem ser necessários a algumas questões de Estatística: P (t > t α ) = α ν 0,05 0,025 15 1,753 2,131 16 1,746 2,120 28 1,791 2,048 30 1,697 2,042 (Valor: 1,4) Questão 1. Considere o seguinte
Leia maisExercícios Resolvidos da Distribuição de Poisson
. a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisAula 11 Esperança e variância de variáveis aleatórias discretas
Aula 11 Esperança e variância de variáveis aleatórias discretas Nesta aula você estudará os conceitos de média e variância de variáveis aleatórias discretas, que são, respectivamente, medidas de posição
Leia maisUniversidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução às Técnicas de Simulação em Estatística Luiz H.Duczmal, Lupércio F. Bessegato, Marcos A. C. Santos
Leia maisOpções Reais. Processos Estocásticos. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos
Modelando Incerteza Opções Reais A incerteza em um projeto pode ter mais do que apenas dois estados. Na prática, o número de incertezas pode ser infinito Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio
Leia maisBC-0005 Bases Computacionais da Ciência. Modelagem e simulação
BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:
Leia maisProcesso de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa. O tamanho do grupo é uma variável aleatória discreta
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 maisAula 13 Técnicas de Integração
Aula 13 Técnicas de Integração Objetivos da Aula Estudar técnicas especiais de integração: integração por substituição e por partes, mostrando que estes processos são ferramentas poderosas para facilitar
Leia maisALGUNS TóPICOS DE CONTAGEM E PROBABILIDADE
ALGUNS TóPICOS DE CONTAGEM E PROBABILIDADE MAT30 200/ O objetivo destas notas é ilustrar como a ideia de fazer aproximações permite uma compreensão melhor de diversos problemas de combinatória e probabilidade..
Leia mais1 Propriedades das Funções Contínuas 2
Propriedades das Funções Contínuas Prof. Doherty Andrade 2005 Sumário 1 Propriedades das Funções Contínuas 2 2 Continuidade 2 3 Propriedades 3 4 Continuidade Uniforme 9 5 Exercício 10 1 1 PROPRIEDADES
Leia maisUM TEOREMA QUE PODE SER USADO NA
UM TEOREMA QUE PODE SER USADO NA PERCOLAÇÃO Hemílio Fernandes Campos Coêlho Andrei Toom PIBIC-UFPE-CNPq A percolação é uma parte importante da teoria da probabilidade moderna que tem atraído muita atenção
Leia maisTeorema de Taylor. Prof. Doherty Andrade. 1 Fórmula de Taylor com Resto de Lagrange. 2 Exemplos 2. 3 Exercícios 3. 4 A Fórmula de Taylor 4
Teorema de Taylor Prof. Doherty Andrade Sumário 1 Fórmula de Taylor com Resto de Lagrange 1 2 Exemplos 2 3 Exercícios 3 4 A Fórmula de Taylor 4 5 Observação 5 1 Fórmula de Taylor com Resto de Lagrange
Leia maisCSE-020 Revisão de Métodos Matemáticos para Engenharia
CSE-020 Revisão de Métodos Matemáticos para Engenharia Engenharia e Tecnologia Espaciais ETE Engenharia e Gerenciamento de Sistemas Espaciais L.F.Perondi Engenharia e Tecnologia Espaciais ETE Engenharia
Leia maisA integral também é conhecida como antiderivada. Uma definição também conhecida para integral indefinida é:
Integral Origem: Wikipédia, a enciclopédia livre. No cálculo, a integral de uma função foi criada para originalmente determinar a área sob uma curva no plano cartesiano e também surge naturalmente em dezenas
Leia maisO trabalho pioneiro nesta área remonta a Ulam, que o teria inventado em 1946 ao estudar as possibilidades de ganhar no jogo de cartas Solitário.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Números aleatórios (NA) são elementos básicos necessários na simulação de quase todos os sistemas discretos. Eles podem ser utilizados
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisModelagens e Gerenciamento de riscos (Simulação Monte Carlo)
Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Prof. Esp. João Carlos Hipólito e-mail: jchbn@hotmail.com Sobre o professor: Contador; Professor da Faculdade de Ciências Aplicadas e Sociais
Leia maisMOQ-23 ESTATÍSTICA. Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo
MOQ-3 ESTATÍSTICA Proessor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Probabilidade e Estatística: The Science o collecting and analyzing data or the purpose o drawing conclusions and making
Leia maisAula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.
Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012 Tipos
Leia maisEstatística stica para Metrologia
Aula 5 Estatística stica para Metrologia Aula 5 Variáveis Contínuas Uniforme Exponencial Normal Lognormal Mônica Barros, D.Sc. Maio de 008 1 Distribuição Uniforme A probabilidade de ocorrência em dois
Leia maisESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL- ESTREMOZ MATEMÁTICA A 12ºANO ANO LETIVO 2015/2016 OBJECTIVOS ESPECÍFICOS
PROBABILIDADES E COMBINATÓRIA ESCOLA SECUNDÁRIA/3 RAINHA SANTA ISABEL- ESTREMOZ MATEMÁTICA A 12ºANO ANO LETIVO 2015/2016 Introdução ao cálculo Conhecer terminologia das probabilidades de Probabilidades
Leia maisVariáveis Aleatórias Discretas e Distribuições de Probabilidade
Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado a.determinar probabilidades a partir de funções de probabilidade b.determinar probabilidades a partir de funções
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 maisExp e Log. Roberto Imbuzeiro Oliveira. 21 de Fevereiro de 2014. 1 O que vamos ver 1. 2 Fatos preliminares sobre espaços métricos 2
Funções contínuas, equações diferenciais ordinárias, Exp e Log Roberto Imbuzeiro Oliveira 21 de Fevereiro de 214 Conteúdo 1 O que vamos ver 1 2 Fatos preliminares sobre espaços métricos 2 3 Existência
Leia maisDistribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta
Distribuição Uniforme Discreta Modelos de distribuições discretas Notas de Aula da Profa. Verónica González-López e do Prof. Jesús Enrique García, digitadas por Beatriz Cuyabano. Acréscimos e modicações:
Leia maisUma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.
Professor: Leandro Zvirtes UDESC/CCT Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos de
Leia maisOperações sobre uma variável aleatória
Capítulo 3 Operações sobre uma variável aleatória - Esperança matemática Neste capítulo, introduz-se algumas operações importantes que podem ser realizadas sobre uma variável aleatória. 3.1 Esperança Valor
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisMomentos de uma variável aleatória
Momentos de uma variável aleatória O cálculo de E[X] (valor médio de X) e E[X 2 ] (que intervém na variância), pode ser generalizado pensando em E[X k ] com k IN. Definição: Dada uma v.a. X, chama-se momento
Leia maisAs fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico
Leia maisPROBABILIDADE, VARIÁVEIS ALEATÓRIAS, DISTRIBUIÇÃO DE PROBABILIDADES E GERAÇÃO ALEATÓRIA
PROBABILIDADE, VARIÁVEIS ALEATÓRIAS, DISTRIBUIÇÃO DE PROBABILIDADES E GERAÇÃO ALEATÓRIA Conceitos sob a ótica de Avaliação de Desempenho de Sistemas Marcos Portnoi Edição 26.6.2010 Universidade Salvador
Leia maisO Teorema da Função Inversa e da Função Implícita
Universidade Estadual de Maringá - Departamento de Matemática Cálculo Diferencial e Integral: um KIT de Sobrevivência c Publicação eletrônica do KIT http://www.dma.uem.br/kit O Teorema da Função Inversa
Leia maisMODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS
MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias Uma variável aleatória representa um valor numérico possível de um evento incerto. Variáveis aleatórias
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 maisProf. Márcio Nascimento. 22 de julho de 2015
Núcleo e Imagem Prof. Márcio Nascimento marcio@matematicauva.org Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Linear
Leia mais