Ref: H.Gould e J. Tobochnik. Para integrais em uma dimensão as regras do trapezóide e de Simpson são
|
|
- Laura Campos César
- 6 Há anos
- Visualizações:
Transcrição
1 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 por Monte Carlo é superior para integrais multidimensionais. Vamos estudar dois métodos: Hit or Miss Método da média - simples e com importance sampling Page 1
2 Hit or Miss Como usar um monte de pequenas pedras para medir a área de um lago? Suponha que o lago esteja dentro de um campo de área A conhecida. Se jogarmos as pedras uma a uma aleatoriamente de forma a caírem sempre dentro do campo, podemos contar quantas caem dentro do lago. Assim temos a relação: A lago A = n splash N Page 2
3 Temos uma função f(x) e queremos calcular a integral definida = área entre a e b. Escolhemos um retângulo de altura H e largura (b a). Sorteamos N vezes dois números aleatórios uniformemente distribuídos: a x i b y i H Contamos quantas vezes y i f(x i ) n s e temos então que H I = A n s N y f(x) a x b Page 3
4 Primeira Tarefa de Hoje Escreva um programa que calcule a integral I = usando o método Hit or Miss Utilize um retângulo de altura H = x2 dx O número de pontos sorteados deve ser lido do teclado o valor exato da integral é π/4. imprima: o número de sorteios a diferença entre o resultado obtido com o método e o valor exato Rode o programa algumas vezes modificando o número de sorteios e observe como muda o valor da diferença Page 4
5 Método da Média Uma maneira de se calcular uma integral é usar um teorema do cálculo que diz: b f(x)dx = (b a) f a Como calcular a média? Se tivermos uma lista de números aleatórios uniformemente distribuídos entre a e b podemos obter a média através de: f = 1 N N f(x i ) i=1 e então: b a f(x)dx (b a) 1 N N f(x i ) i=1 Quanto maior N melhor a aproximação. Page 5
6 Erro no Método de Monte Carlo No exemplo dado, calculei I = x 2 dx para N = 1. e obtive I N = O resultado exato é I = π = Portanto para este N, ɛ =.73. A pergunta é: Como saberemos se n = 1. atingirá a precisão desejada? Veremos que o melhor que podemos fazer é calcular a probabilidade de que o valor verdadeiro I esteja num certo intervalo centrado em I N Queremos achar σ m tal que I N tem 68% de chance de estar entre I σ m e I + σ m Page 6
7 Um possível chute para a estimativa do erro é o desvio padrão σ : onde f = 1 N σ 2 = f 2 f 2 N i=1 f(x i ) e f 2 = 1 N N i=1 f(x i ) 2 Repare que se f não depende de x, isto é, se a distribuição for uniforme, σ seria. Para o nosso exemplo obtemos σ =.885 que é muito diferente do valor.73 o desvio padrão não é uma boa estimativa. Já era de se esperar pois o erro deve diminuir com N e o desvio padrão não diminui. Page 7
8 Outra tentativa Uma maneira de se obter uma estimativa do erro é rodar algumas m vezes (experimento), cada vez com o mesmo número N de pontos. Para cada experimento obtemos o valor da média M e calculamos o desvio padrão da média com M = 1 m σ 2 m = M 2 M 2 m M j e M 2 = 1 m j=1 Como a sequência de números aleatórios é diferente, M varia para cada experimento. m j=1 M 2 j Vamos fazer 1 experimentos com N = 1. cada: Page 8
9 j M σ Com estes valores obtemos σ m =.68 que é consistente com.73 Portanto σ m é a medida do erro O resultado fica escrito como: I n = ±.7 para n = 1 Page 9
10 Este método de gerar vários experimentos para determinar σ m não é nada útil, mas pode-se mostrar que σ m σ N que se torna exato quando N Note que σ m decresce com N. Para o primeiro valor que obtivemos σ =.885 σ m =.885/ 1 =.9 que é da mesma ordem de.7 Page 1
11 Segunda Tarefa de Hoje Escreva um programa que calcule a integral I = 4 1 método da média. 1 x2 dx usando o Rode duas vezes o programa: 5 experimentos com N = 1 e 5 experimentos com N = 1. o valor exato da integral é π. imprima em um arquivo (tudo na mesma linha): o índice do experimento o valor da integral calculado com o método o desvio padrão da função σ = f 2 f 2 a diferenç a entre o resultado obtido com o método e o valor exato σ m = σ/ N Observe através do gnuplot se as afirmativas que fizemos sobre o erro do método se comprovam Page 11
12 Cria uma funcao que dado x retorna 4*sqrt(1-x*x) loop no numero de experimentos inicializa a semente loop no numero de pontos gera um numero aleatorio x entre a e b calcula f(x) calcula soma f(x) calcula soma f(x)ˆ2 fim loop calcula integral calcula sigma calcula erro da media imprime fim do loop Page 12
13 Importance Sampling Vimos que o erro da integral pelo método de Monte Carlo é proporcional à variância do integrando, isto é, ao quanto f(x) varia. Vamor ver uma forma de diminuir esta variância, ou em outras palavras, transformar o integrando em algo mais uniforme. Queremos calcular I = b a f(x)dx Vamos multiplicar e dividir o integrando por uma função p(x) tal que b a p(x)dx = 1 Page 13
14 I = b a f(x) p(x) p(x)dx Fazemos agora uma mudança de variável de x para y de forma que I = b a f(x) p(x) dy com p(x)dx = dy = y(x) = p(x)dx Se p(x) for escolhida como uma que se comporta como f(x), o integrando vai ser cte. O que estamos fazendo aqui é gerar uma distribuição de acordo com p(x). Se p(x) f(x) vamos gerar mais pontos onde f(x) é grande e pouco recurso é gasto gerando pontos onde f(x) é pequeno. Page 14
15 Queremos resolver I = 1 ex dx Exemplo Uma função parecida é a sua própria expansão em série de Taylor em torno de : p(x) = 1 + x I = 1 e x (1 + x) dx com dy = (1 + x)dx 1 + x y = x (1 + x )dx = x + x2 2 x x y = = x = 1± y 2 1/2 = 1 ± 1 + 2y para x = = y = para x = 1 = y = 1 + 1/2 = 3/2 para que y 3/2 o sinal positivo deve ser escolhido. Então geramos um número aleatório y entre e 3/2 e calculamos I = 3/2 e 1+2y y dy Page 15
16 Terceira Tarefa de Hoje Escreva um programa que calcule a integral I = método da média. 1 e x2 dx usando o Use N = 1 imprima o valor da integral e o erro. Use a função peso p(x) = Ae x onde A é escolhido de forma a satisfazer 1 será p(x)dx = 1. Quando você fizer as contas verá que a integral a resolver com x = ln( y/a) 1 A A/e A e x2 +x dy Use N = 1 imprima o valor da integral e o erro. Compare com o resultado anterior. Page 16
Me todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2012 Me todos Computacionais em Fı sica 1 2 Ca lculo de Me todo da Estimativa
Leia maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Jose Helder Lopes e Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2017 Ü E toda te cnica de amostragem estatı stica empregada
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 maisSistemas Aleatórios. Um sistema é aleatório quando seu estado futuro só pode ser conhecido. jogar uma moeda ou um dado. decaimento de uma partícula
Sistemas Aleatórios Um sistema é aleatório quando seu estado futuro só pode ser conhecido pela realização de uma experiência. jogar uma moeda ou um dado decaimento de uma partícula trajetória de uma partícula
Leia maisRenato Martins Assunção
Análise Numérica Erros, Extrapolação de Richardson e Quadratura Gaussiana Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 40 Análise do erro Sabemos
Leia maisCálculo II (Primitivas e Integral)
Cálculo II (Primitivas e Integral) Antônio Calixto de Souza Filho Escola de Artes, Ciências e Humanidades Universidade de São Paulo 5 de março de 2013 1 Aplicações de Integrais subject Aplicações de Integrais
Leia maisIntegral. Queremos calcular a integral definida I = O valor de I será associado a uma área. Veremos dois métodos (por enquanto)
Integral Queremos calcular a integral definida I = b a f(x)dx. O valor de I será associado a uma área. Veremos dois métodos (por enquanto) Método do Trapezóide Método de Simpson 1 Método do Trapezóide
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA 5 - Integração numérica (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda). Calcule as integrais a seguir pela regra
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia maisMAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Interpolação e Integração. φ(x k ) ψ(x k ).
MAP 22 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Interpolação e Integração : Sejam x =, x =, x 2 = 2 e x 3 = 3. (a) Determine os polinômios de Lagrange L i (x) correspondentes a estes pontos
Leia maisTestes Formativos de Computação Numérica e Simbólica
Testes Formativos de Computação Numérica e Simbólica Os testes formativos e 2 consistem em exercícios de aplicação dos vários algoritmos que compõem a matéria da disciplina. O teste formativo 3 consiste
Leia maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Primeiro Semestre de 2011 Me todos Computacionais em Fı sica 1 2 Ca lculo de Me todo da Estimativa
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 maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia 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 maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
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 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 maisAULA 8 - Funções de variáveis aleatórias
AULA 8 - Funções de variáveis aleatórias Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Funções de variáveis aleatórias Dada uma variável aleatória X, nós podemos gerar outras variáveis aleatórias
Leia maisSabendo que f(x) é um polinômio de grau 2, utilize a formula do trapézio e calcule exatamente
MÉTODOS NUMÉRICOS E COMPUTACIONAIS II EXERCICIOS EXTRAIDOS DE PROVAS ANTERIORES EXERCICIOS RESOLVIDOS - INTEGRACAO-NUMERICA - EDO. Considere a seguinte tabela de valores de uma função f x i..5.7..5 f(x
Leia maisProbabilidade Aula 08
332 Probabilidade Aula 8 Magno T. M. Silva Escola Politécnica da USP Maio de 217 A maior parte dos exemplos dessa aula foram extraídos de Jay L. Devore, Probabilidade e Estatística para engenharia e ciências,
Leia maisIntrodução à Física Computacional
7600017 Introdução à Física Computacional Terceiro Projeto (prazo até 30/04/17) Instruções Crie um diretório PROJ3 #usp em /home/public/fiscomp17/proj3 Proteja seu diretório para nao ser lido por g e o
Leia maisIntrodução aos Métodos Numéricos
Introdução aos Métodos Numéricos Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo específico Introdução à Resolução de Equações Diferenciais Ordinárias
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia 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 maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
Leia maisLaboratório de Simulação Matemática. Parte 3 2
Matemática - RC/UFG Laboratório de Simulação Matemática Parte 3 2 Prof. Thiago Alves de Queiroz 2/2017 2 [Cap. 4] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia mais1. Converta os seguintes números decimais para sua forma binária: (a) 22 (b) 255 (c) 256 (d) 0.11 (e) (f)
1 a Lista de Exercícios de Cálculo Numérico Prof a. Vanessa Rolnik 1. Converta os seguintes números decimais para sua forma binária: (a) 22 (b) 255 (c) 256 (d).11 (e).8125 (f) 4.69375 2. Converta os seguintes
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte I 29 de Abril de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Determinar probabilidades a partir de funções densidades
Leia maisEquações diferenciais ordinárias
Departamento de Física Universidade Federal da Paraíba 24 de Junho de 2009 Motivação Problemas envolvendo equações diferenciais são muito comuns em física Exceto pelos mais simples, que podemos resolver
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia 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 mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia maisAplicações de. Integração
Aplicações de Capítulo 6 Integração APLICAÇÕES DE INTEGRAÇÃO Neste capítulo exploraremos algumas das aplicações da integral definida, utilizando-a para calcular áreas entre curvas, volumes de sólidos e
Leia maisMétodos Quantitativos
Métodos Quantitativos Unidade 3 Estatística inferencial parte I Prof. Me. Diego Fernandes 1 Sumário Seção Slides 3.1 Noções de probabilidade 03 21 3.2 Distribuição dos estimadores 22 41 3.3 e 3.4 - Testes
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
Leia maisEXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO
Cálculo Numérico EXERCICIOS EXTRAIDOS DE PROVAS ANTERIORES o sem/08 EXERCICIOS RESOLVIDOS - INT-POLIN - MMQ - INT-NUMERICA - EDO x. Considere a seguinte tabela de valores de uma função f: i 0 f(x i ).50
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 mais1 Noções de Probabilidade
Noções de Probabilidade Já vimos que para se obter informações sobre alguma característica da população, podemos utilizar uma amostra. Estudaremos agora a probabilidade, que é uma ferramenta usada e necessária
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte I 2012/02 1 Variáveis Aleatórias Contínuas 2 Distribuições de Probabilidade e Funções Densidades de Probabil 3 4 Objetivos Ao final
Leia maisIntrodução aos Métodos Numéricos. Instituto de Computação UFF
Introdução aos Métodos Numéricos Instituto de Computação UFF Conteúdo Erros e Aproximações Numéricas Sistemas de Equações Lineares. Métodos diretos Interpolação Ajuste de Curvas Zeros de Função Sistemas
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
Leia maisMarina Andretta/Franklina Toledo. 25 de outubro de 2013
Integração Numérica Marina Andretta/Franklina Toledo ICMC-USP 25 de outubro de 2013 Baseado nos livros: Análise Numérica, de R. L. Burden e J. D. Faires; e Cálculo Numérico, de Neide B. Franco. Marina
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 maisLista 1 - Cálculo Numérico - Zeros de funções
Lista 1 - Cálculo Numérico - Zeros de funções 1.) De acordo com o teorema de Bolzano, se uma função contínua f(x) assume valores de sinais opostos nos pontos extremos do intervalo [a, b], isto é se f(a)
Leia maisModelagem Computacional. Parte 3 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 3 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 4] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
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 mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisAula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias
Aula de hoje! Tópicos! Distribuição de probabilidades! Variáveis aleatórias! Variáveis discretas! Variáveis contínuas! Distribuição binomial! Distribuição normal! Referências! Barrow, M. Estatística para
Leia maisIntegrais. ( e 12/ )
Integrais (21-04-2009 e 12/19-05-2009) Já estudámos a determinação da derivada de uma função. Revertamos agora o processo de derivação, isto é, suponhamos que nos é dada uma função F e que pretendemos
Leia maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA 5 - Integração numérica (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda). Calcule as integrais a seguir pela regra
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisNeste capítulo estamos interessados em resolver numericamente a equação
CAPÍTULO1 EQUAÇÕES NÃO-LINEARES 1.1 Introdução Neste capítulo estamos interessados em resolver numericamente a equação f(x) = 0, onde f é uma função arbitrária. Quando escrevemos resolver numericamente,
Leia mais1 A Equação Fundamental Áreas Primeiras definições Uma questão importante... 7
Conteúdo 1 4 1.1- Áreas............................. 4 1.2 Primeiras definições...................... 6 1.3 - Uma questão importante.................. 7 1 EDA Aula 1 Objetivos Apresentar as equações diferenciais
Leia mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisEstatística e Probabilidade Aula 06 Distribuições de Probabilidades. Prof. Gabriel Bádue
Estatística e Probabilidade Aula 06 Distribuições de Probabilidades Prof. Gabriel Bádue Teoria A distribuição de Poisson é uma distribuição discreta de probabilidade, aplicável a ocorrências de um evento
Leia maisDistribuição Normal. Estatística Aplicada I DISTRIBUIÇÃO NORMAL. Algumas característica importantes. 2πσ
Estatística Aplicada I DISTRIBUIÇÃO NORMAL Prof a Lilian M. Lima Cunha AULA 5 09/05/017 Maio de 017 Distribuição Normal Algumas característica importantes Definida pela média e desvio padrão Media=mediana=moda
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
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 maisFundamentos de Estatística
Fundamentos de Estatística Clássica Workshop Análise de Incertezas e Validação Programa de Verão 2017 Marcio Borges 1 1LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA mrborges@lncc.br Petrópolis, 9 de Fevereiro
Leia maisIntrodução aos Métodos Numéricos
Introdução aos Métodos Numéricos Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo específico Integração Numérica Conteúdo temático Conceitos básicos
Leia mais2.1 Variáveis Aleatórias Discretas
4CCENDMMT02-P PROBABILIDADE E CÁLCULO DIFERENCIAL E INTEGRAL Girlan de Lira e Silva (1),José Gomes de Assis (3) Centro de Ciências Exatas e da Natureza /Departamento de Matemática /MONITORIA Resumo: Utilizamos
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br http://www.lce.esalq.usp.br/arquivos/aulas/2014/lce0216/ 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maist 2 se t 0 Determine a expansão em série de potências para a função F (x) = ( 1) n y2n (2n)!, ( 1) n t4n (2n)! (2n)! ( 1) n t4n 2 dt = ( 1) n t 4n 2 )
MAT456 - Cálculo Diferencial e Integral IV para Engenharia Escola Politecnica - a. Prova - 8// Turma A a Questão (,) a) Seja cos (t ) f(t) = t se t se t = Determine a expansão em série de potências para
Leia maisEspaço amostral Ω: Conjunto enumerável de todos os possíveis resultados de um experimento aleatório. um evento elementar. E = E[X j ] X j.
Universidade Tecnológica Federal do Paraná Professor Murilo V G da Silva Notas de aula Algoritmos Avançados I (Aula 04 Conteúdos da aula: [CLR09: cap 7 e 9][MIE05 4, 5] Vamos estudar nesta aula três algoritmos
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 19 de Maio de 2011 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia maisInterpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Leia maisEstatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula Prof.: Patricia Maria Bortolon, D. Sc. Distribuições Amostrais ... vocês lembram que: Antes de tudo... Estatística Parâmetro Amostra População E usamos estatíticas das amostras para
Leia maisIntegração por partes
Universidade de Brasília Departamento de Matemática Cálculo 1 Integração por partes Vimos nos textos anteriores que a técnica de mudança de variáveis é muito útil no cálculo de algumas primitivas. Porém,
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte II 29 de Março de 2011 Distribuição Uniforme Discreta Média Propriedade da falta de memória Objetivos Ao final deste capítulo você
Leia maisx 2 + (x 2 5) 2, x 0, (1) 5 + y + y 2, y 5. (2) e é positiva em ( 2 3 , + ), logo x = 3
Página 1 de 4 Instituto de Matemática - IM/UFRJ Cálculo Diferencial e Integral I - MAC 118 Gabarito segunda prova - Escola Politécnica / Escola de Química - 13/06/2017 Questão 1: (2 pontos) Determinar
Leia maisSequências e Séries Infinitas. Copyright Cengage Learning. Todos os direitos reservados.
11 Sequências e Séries Infinitas Copyright Cengage Learning. Todos os direitos reservados. 11.3 O Teste da Integral e Estimativas de Somas Copyright Cengage Learning. Todos os direitos reservados. O Teste
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br Outubro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia mais3 a Lista de PE Solução
Universidade de Brasília Departamento de Estatística 3 a Lista de PE Solução. Se X representa o ganho do jogador, então os possíveis valores para X são,, 0, e 4. Esses valores são, respectivamente, correspondentes
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 maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 - Distribuições Contínuas (Parte 01) Leitura obrigatória: Devore, Capítulo 4 Cap 6-1 Objetivos Nesta aula, vamos aprender: Representações de uma v. a. contínua: função
Leia mais= 2 sen(x) (cos(x) (b) (7 pontos) Pelo item anterior, temos as k desigualdades. sen 2 (2x) sen(4x) ( 3/2) 3
Problema (a) (3 pontos) Sendo f(x) = sen 2 (x) sen(2x), uma função π-periódica, temos que f (x) = 2 sen(x) cos(x) sen(2x) + sen 2 (x) 2 cos(2x) = 2 sen(x) (cos(x) sen(2x) + sen(x) cos(2x) ) = 2 sen(x)
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 maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
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 maisEstatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS. Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais
Estatística Básica VARIÁVEIS ALEATÓRIAS CONTÍNUAS Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Modelo Uniforme Contínuo Uma variável aleatória X tem distribuição
Leia maisInstituto Tecnológico de Aeronáutica / Departamento de Matemática / 2 o Fund / a LISTA DE MAT-32
1 Instituto Tecnológico de Aeronáutica / Departamento de Matemática / 2 o Fund / 2012. 1 a LISTA DE MAT-32 Nos exercícios de 1 a 9, classi car e apresentar, formalmente, solução (ou candidata a solução)
Leia maisLista de exercícios de MAT / I
1 Lista de exercícios de MAT 271-29 / I 1. Converta os seguintes números da forma decimal para a forma binária:x 1 = 37; x 2 = 2347; x 3 =, 75; x 4 =(sua matrícula)/1; x 5 =, 1217 2. Converta os seguintes
Leia maisIntegração por frações parciais - Parte 1
Universidade de Brasília Departamento de Matemática Cálculo Integração por frações parciais - Parte Neste pequeno texto vamos desenvolver algumas ideias para integrar funções racionais, isto é, funções
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2019 2 / 26 aula de hoje: 1 o que são 2 distribuições de 3 a distribuição normal ou gaussiana
Leia mais5 AULA. em Séries de Potências LIVRO. META Apresentar os principais métodos de representação de funções em séries de potências.
LIVRO Métodos de Representação de Funções em Séries de AULA META Apresentar os principais métodos de representação de funções em séries de potências. OBJETIVOS Representar funções em séries de potências.
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 mais