Modelagem Estocástica e Quantificação de Incertezas
|
|
- Pedro Henrique Valgueiro Martini
- 6 Há anos
- Visualizações:
Transcrição
1 Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015
2 Organização do curso 1 a aula: 1 Probabilidade básica Variáveis aleatórias (discretas e contínuas) Vetores aleatórios Independência Condicionamento 2 Função de variavéis aleatórias: Soma de variáveis aleatórias independentes Soma de variáveis aleatórias dependentes 3 Geração de amostras de variáveis e vetores aleatórios Método da Transformada Inversa Método da Rejeição Condicionamento: regra da cadeia
3 Organização do curso 2 a aula: 1 Método de Monte Carlo Lei dos Grandes Números Teorema do Limite Central Aproximação de integrais 2 Processos estocásticos (discretos e contínuos) Processo de Bernoulli Processo de Poisson Processo uniforme Processo exponencial 3 Modelagem estocástica de sistema dinâmico não linear: stick-slip.
4 Método de Monte Carlo Simulações estocásticas de um sistema: 1 constrói-se um modelo determinístico para o sistema; 2 constrói-se um modelo estocástico para o sistema; histogramas Princípio da Entropia Máxima (PEM) 3 aplica-se o método de Monte Carlo para obter-se inferências estatísticas sobre a resposta do sistema.
5 Método de Monte Carlo
6 Método de Monte Carlo Variável aleatória X = Amostras x (1) x (2). x (n) = Processamento das Amostras y (1) y (2). y (n) = Estatísticas ˆσ 2 = 1 n ˆµ = 1 n n i=1 n y i i=1 (y i ˆµ) 2
7 Método de Monte Carlo Aproximação para o valor π. Etapas: 1 Gerar m amostras distribuídas uniformemente no cubo. se: x 2 1+ x 2 2+ x 2 3 r amostra está dentro da esfera 2 Calcular a razão, R, entre o número de amostras na esfera e o número total de amostras, m. 3 Aproximação: ˆπ = 6R. 4 Verificar se ˆπ está dentro de uma margem de erro prescrita.
8 Método de Monte Carlo Se esse experimento for repetido n vezes, obtém-se uma sequência de aproximações: ˆπ 1,, ˆπ n Como saber se elas aproximam de fato π? O método de Monte Carlo é fundamentado em dois teoremas: Lei dos Grandes Números: garante a convergência das aproximações obtidas através do método; Teorema do Limite Central: especifica como é a convergência.
9 Método de Monte Carlo Se esse experimento for repetido n vezes, obtém-se uma sequência de aproximações: ˆπ 1,, ˆπ n Média do experimento, µ? Variância, σ 2 0? Figura: Histograma normalizado com n=10 3 aproximações de π. Cada aproximação é calculada com m=10 4 amostras no cubo. ˆπ
10 Lei dos grandes números Considere que os experimentos formam uma sequência de variáveis aleatórias Π 1, Π 2, : independentes; identicamente distribuídas, com média µ e variância σ 2. Seja S n = Π 1 + Π 2 + +Π n. Tem-se que S n /n converge em média quadrática para µ: [ S n n µ = (Sn ) ] 2 E n µ 0, quando n +.
11 Lei dos grandes números Pela lei dos grandes números, sendo S n = Π 1 + +Π n : µ Sn n = E [ ] Sn = 1 n n (E[Π 1]+E[Π 2 ]+ +E[Π n ])= µ = π, σ 2 Sn n [ = E ( S n ]= n 1n µ)2 2 (var(π 1)+ +var(π n ))= σ 2 n. Note que: com o aumento de n, σˆ 2 Sn n proporcional a 1/n. decai com uma razão
12 Lei dos grandes números Aproximações para µ e σ 2 podem ser obtidas através dos resultados ˆπ 1,, ˆπ n : ˆµ = 1 n n i=1 ˆπ i, σˆ 2 = 1 n n i=1 ( ˆπ i ˆµ) 2 A média e variância de S n /n podem ser aproximadas por: ˆ σ 2 Sn n = ˆµ Sn n = ˆµ, ˆ σ 2 n = 1 n 2 n i=1 ( ˆπ i ˆµ) 2.
13 Lei dos grandes números 2 x 10 3 σ 2 Sn n ˆσ 2 Sn n = σ2 n 1.5 var(sn/n) n Figura: Variância de S n /n em função do número de repetições n do experimento.
14 Lei dos grandes números Experimento: gerar amostras de X 1 e X 2 com densidades N (0,1) e calcular a média das amostras geradas. Repete-se o experimento n=1,000 vezes. Varia-se o tamanho, m, da amostra: 0.4 m = m = 1, E[X2] 0 E[X2] E[X 1] E[X 1] 0.4 m = 10, m = 100, E[X2] 0 E[X2] E[X 1] E[X 1]
15 Teorema do limite central Seja Π 1,Π 2, uma sequência de variáveis aleatórias independentes e identicamente distribuídas, com média µ e variância σ 2. Seja S n = Π 1 + Π 2 + +Π n e seja: Z n = S n µn σ n Quando n +, Z n converge em probabilidade para uma variável aleatória Z com distribuição cumulativa de probabilidade gaussiana de média nula e variância um. P Zn (Z n x) P Z (Z x) quando n +, x onde P Z é contínua.
16 Teorema do limite central Verifica-se que com probabilidade uma amostra de N (0,1) está no intervalo ( 2,2): Pr( 2<Z n < 2)= ( Pr 2< S ) n µn σ n < 2 = Assim, com probabilidade 0.954, µ estará no intervalo: S n 2σ n n < µ < S n+ 2σ n n.
17 Teorema do limite central Função probabilidade gaussiana de média nula e variância um
18 Aproximação de integrais Suponha que deseja-se calcular a integral: I = g({x}) d{x}. A Se g é uma função simples, o cálculo de I é fácil. Se g é uma função mais complicada = métodos de integração numérica para aproximar I. método do trapézio; método de Simpson; método de Monte Carlo.
19 Aproximação de integrais As vantagens do método de Monte Carlo são: simplicidade de implementação; garantia de convergência da resposta, devido a: Lei dos Grandes Números; teorema do Limite Central; eficiência em problemas multidimensionais.
20 Aproximação de integrais Suponha que deseja-se calcular: I = g({x}) d{x}. A A integral é interpretada como a média de uma função, h, de um vetor aleatório, {X} R d, com densidade p. g({x}) I = p({x}) d{x} A p({x}) I = h({x}) p({x}) d{x} A
21 Aproximação de integrais I é interpretada como o valor esperado de h({x}): I = E[h({X})]. Uma aproximação Î para a integral I é obtida através de amostras {x} (1),{x} (2),,{x} (m) de {X} de acordo com p: Î = m i=1 h({x} (i) ).
22 Aproximação de integrais Exemplo: Aproximar o volume de uma esfera n-dimensional. 1 o Método: Determinístico Malha uniforme no cubo n-dimensional. Dimensões elevadas apresenta um alto custo computacional!
23 Aproximação de integrais Exemplo: 2 o Método: Monte Carlo 1 Gerar amostras distribuídas de uma variável aleatória uniforme no cubo. 2 Calcular a razão R entre o número de amostras dentro da esfera e o número de amostras total m.
24 Aproximação de integrais Exemplo: Para comparar os resultados dos dois métodos, definiu-se uma medida de erro: erro= I (n) Î (n) Î (n).
25 Aproximação de integrais n Malha Uniforme Monte Carlo Erro Tempo [s] Erro Tempo [s] ??
26 Aproximação de integrais
27 Aproximação de integrais
28 Aproximação de integrais n Vol. esfera Vol. cubo R (n)
29 Processos estocásticos Um processo estocástico, X, é uma função: X : Ω T R (w,t) X (t,w) Na maioria dos processos estocásticos, o parâmetro t está associado ao tempo. Ao se fixar w m para w, o processo representa uma única função X (t,w m ) de t. Ao se fixar t j para t, o processo representar uma variável aleatória, X (t j,w).
30 Processo estocástico discreto Sendo T um conjunto discreto, X é um processo estocástico discreto = número infinito de variáveis aleatórias (discretas ou contínuas) indexadas por t: X (t 1 ) X (t 2 ) X (t 3 ) X (t n ) X 1 X 2 X 3 X n Quando o número de valores do parâmetro t é finito: a função densidade de probabilidade do processo é a função densidade conjunta de X 1,X 2,,X n. = vetor aleatório de dimensão n.
31 Processo estocástico discreto Fixado um valor de t=t j, a variável aleatória X (t j,w) tem função distribuição de probabilidade cumulativa: P X (tj,w)(x)=pr(x (t j,w)<x) e função densidade de probabilidade: p X (tj,w).
32 Processo estocásticos discreto Algumas estatísticas de X : média: µ X (t)=e[x (t,w)]= x p X (t,w)(x) dx variância: σ 2 X (t)=e[{x (t,w) µ X(t)} 2 ]
33 Processo estocástico discreto Algumas estatísticas de X : autocorrelação: covariância: R X X (t 1,t 2 )=E[X (t 1,w) X (t 2,w)] C(t 1,t 2 ) = E[{X (t 1,w) µ X (t 1 )} {X (t 2,w) µ X (t 2 )}] = E[X (t 1,w)X (t 2,w)] µ X (t 1 )µ X (t 2 ) = R X X (t 1,t 2 ) µ X (t 1 )µ X (t 2 )
34 Processo de Bernoulli Exemplo: Lançamento de uma moeda: { cara (prob. w) coroa (prob. 1 w) O espaço amostral Ω, contém todas as possibilidades de resultados, é o conjunto de todas as sequências com os resultados dos lançamentos. Podemos definir várias variáveis aleatórias diferentes em Ω:
35 Processo de Bernoulli Lançando n vezes de forma independente: 1 binomial: N número de caras obtidas. Lançando infinitas vezes de forma independente: 1 geometrica: W número de lançamentos até obter-se a primeira cara. 2 binomial negativa: W r número de lançamentos até obter-se r caras.
36 Processo de Bernoulli Exemplo: determine a probabilidade de termos dois lançamentos consecutivos de caras antes de termos dois lançamentos consecutivos de coroas. { Hn sequência de resultados com cara na n-ésima posição T n sequência com coroa na n-ésima posição. Objetivo: calcular a probabilidade do evento A A={(H 1 H 2 ) (T 1 H 2 H 3 ) (H 1 T 2 H 3 H 4 ) (T 1 H 2 T 3 H 4 H 5 ) (H 1 T 2 H 3 T 4 H 5 H 6 ) }
37 Processo de Bernoulli Exemplo: temos que: P(H 1 H 2 )=w 2 P(T 1 H 2 H 3 )=qw 2 P(H 1 T 2 H 3 H 4 )=w 2 (wq) P(T 1 H 2 T 3 H 4 H 5 )=qw 2 (wq) P(H 1 T 2 H 3 T 4 H 5 H 6 )=w 2 (wq) 2. Assim, a probabilidade do evento A pode ser escrita como: P(A)=w 2 (1+wq+(wq) 2 + ) +qw 2 (1+wq+(wq) 2 + ), }{{}}{{} começam com cara começam com coroa
38 Processo de Bernoulli Exemplo: Como w,q 1, cada parcela é a soma de uma sequência convergente. P(A)=w 2 (1+wq+(wq) 2 + ) +qw 2 (1+wq+(wq) 2 + ), }{{}}{{} começam com cara começam com coroa ( ) ( ) 1 1 P(A)=w 2 + qw 2. 1 wq 1 wq Assumindo w=1 w=1/2= Pr(A)=1/2.
39 Processo de Poisson N (t) é um processo de contagem que modela os o número de ocorrências de um determindo evento em um intervalo (0,t] N (t) assume valores discretos n=0,1,2, Para qualquer t, N (t) é uma variável aleatória com função de massa de Poisson: p N (t) (n)= (λ t)n exp( λ t). n!
40 Processo de Poisson É um processo de contagem. Comparação: Bernoulli os eventos (sucessos), só podem ocorrer em multiplos positivos inteiros de um determinado incremento de tempo. Poisson os eventos podem ocorrer em qualquer instante t, porém observe que a probabilidade de ocorrência em qualquer instante em particular é zero. Probabilidade do tempo de espera entre os eventos.
41 Processo de Poisson A partir do processo de Poisson, definimos as variáveis T 1,T 2, T n indica o tempo de espera entre o evento n e n 1. Assim, o tempo de espera para a ocorrência do n-śimo evento será: S n = n i=1 T n,
42 Processo de Poisson Densidade de probabilidade de T n Assume-se que T 1, são variáveis aleatórias independentes e identicamente distribuídas. Elas tem desidade de probabilidade exponencial: p Tn (x)=1 [0, ) (x)λ exp( λ x).
43 Processo de Poisson Densidade de probabilidade de S n Oberve que: S n é a soma de variáveis independentes T 1,,T n. densidade da soma de duas variáveis independentes: convolução das densidades das variáveis somadas. S 1 = T 1 densidade de probabilidade p T1 S 2 = S 1 + T 2 convolução entre as densidades de S 1 e de T 2 S 3 = S 2 + T 3 convolução entre as densidades de S 2 e de T 3. O resultado será a distribuição Gamma: p Sn (t)=1 [0, ) (t) λ n t n 1 exp( λ t). (n 1)!
44 Processo uniforme Sorteio: n pontos são escolhidos aleatoriamente e de forma independente no intervalo [0, l] (cada ponto é uma amostra de X com densidade uniforme). Ordenação: Seja (x 1,,x n ) uma amostra de X 1 X n. x 1,x 2,,x n = y 1 y 2 y n A ordenação gera novas variáveis aleatórias: Y 1 Y n. Quais são as distribuições de Y 1 Y n e as distribuições conjuntas dos pares, triplas, etc?
45 Processo uniforme Distribuição de Y 1 : Se (Y 1 x) (X i x), i, pois Y 1 = min 1 i n {X 1,,X n }. ( ) l x n Pr(Y 1 > x)=pr(x 1 > x,,x n > x)=. l ( ) l x n P Y1 (x)=pr(y 1 x)=1 Pr(Y 1 > x)=1. l p Y1 (x)= P Y 1 (x) (x)=1 dx [0,l] (x) n(l x)n 1 l n. Observe que embora as distribuições dex 1 X n sejam uniformes, a distribuição de Y 1 não é uniforme! A ordenação feita modificou a distribuição de Y 1 com relação a X 1 X n.
46 Processo uniforme Distribuição de Y k : O evento (Y k x) significa que pelo menos k dos n pontos escolhidos estão no intervalo [0, x]. Esse evento pode ser realizado de várias formas diferentes dependendo do número de pontos que de fato estão em [0,x]. Depois de algumas contas, determina-se a densidade: p Yk (x)=1 [0,l] (x) xk 1 (l x) n k l n.
47 Processo uniforme Implementação em MATLAB: sorteio e ordenação de n=4 pontos no intervalo [0, 5] Histograma py Histograma py y y2 0.4 Histograma 0.8 Histograma 0.3 py3 0.6 py y y4 Figura: Histogramas normalizados contruídos com 10 5 amostras.
48 Processo uniforme Distribuição conjunta de Y j e Y k : Sendo x<y: ( ) n x j 1 (y x) k j 1 (l y) n k p Yj Y k (x,y)= j 1,1,k j 1,1,n k l n Distribuição conjunta de Y 1 Y n : { n! p Y1 Y n (x 1,,x n )= l se 0 x n 1 < x 2 < <x n < l 0, outros casos.
49 Processo uniforme Implementação em MATLAB: sorteio e ordenação de n=4 pontos no intervalo [0, 5]. Y 1,Y 2 Y 1,Y y y y y1 2 0 Y 1,Y 4 Y 2,Y y4 0 0 y1 y y2 4 6 Figura: Histogramas normalizadospuc-rio: contruídos DEM com 10 5 amostras.
50 Espaçamento no processo uniforme Considere as distâncias entre os pontos sucessivos tomados na ordem crescente: L 1 = Y 1 L 2 = Y 2 Y 1 Y 2 = L 1 + L 2 L 3 = Y 3 Y 2 Y 3 = Y 2 + L 3 = L 1 + L 2 + L 3. L n+1 = l Y n Y n = l L n+1.
51 Espaçamento do processo uniforme O espaçamento entre Y k e Y k+1 é notado por L k+1, e o espaçamento entre Y n e l é notado por L n+1, logo: Y k = L 1 + +L k. Observe que os espaçamentos não são independentes: L 1 + +L n+1 = l. Porém são equidistribuidos. Sendo L 1 = Y 1, então a distribuição de L k é a mesma que a de Y 1, k, e a densidade é: p Lk (x)=1 [0,l] (x) n l n(l x)n 1.
52 Espaçamento do processo uniforme O valor esperado do espaçamento: l E[L k ]= x n 0 l n(l x)n 1 dx. Uma maneira mais elegante da fazer essa conta é usando o fato de que E[L 1 ]= =E[L n+1 ] e L 1 + +L n+1 = l. Assim: E[L k ]= l n+1. Fica agora evidente como calcular: E[Y k ]=E[L 1 ]+ +E[L k ]= k l n+1.
53 Processos estocásticos contínuos Um processo estocástico, X, é uma função: X : Ω T R (w,t) X (t,w) Quando T é um conjunto contínuo, por exemplo R, o processo estocástico pode ser interpretado como um número infinito de variáveis aleatórias indexadas pelo parâmetro t. Fixado um valor de t=t j, a variável aleatória X (t j,w) tem a função distribuição de probabilidade cumulativa: P X (tj,w)(x)=pr(x (t j,w)<x) e uma função densidade de probabilidade p X (tj,w).
54 Processos estocásticos contínuos A função densidade do processo estocástico é a função densidade conjunta de todas as variáveis aleatórias indexadas pelo parâmetro t. Especificação completa um processo estoćastico: É necessário conhecer a densidade de probabilidade conjunta de todas as suas variáveis aleatórias. Problema: Como t assume infinitos valores, é impossivel especificar completamente um processo estocástico! Alternativa: Fazer hipóteses adicionais sobre independência das variáveis aleatórias indexadas por t.
55 Propagação de incertezas em um sistema dinâmico
56 Propagação de incertezas em um sistema dinâmico Sistema real = Modelo matemático determinístico Equação da dinâmica: mẍ(t)+kx(t)=f(t), onde f é a fora de atrito (Coulomb) entre o bloco e a esteira f(t)=nµ sgn(v(t) ẋ(t)).
57 Propagação de incertezas em um sistema dinâmico
58 Oscilador harmônico com atrito seco Equação da dinâmica: mẍ(t)+kx(t)=f(t), onde f é a fora de atrito (Coulomb) entre o bloco e a esteira f(t)=nµ sgn(v(t) ẋ(t)). Considerando que v e µ são constantes no tempo, e introduzindo y=ẋ e z=x ω n, onde ω n é a frequencia natural do sistema, ( quando y>v y 2 + z+ nµ ) 2 = c mω n ( quando y<v y 2 + z nµ ) 2 = c. mω n
59 Oscilador harmônico com atrito seco v positivo um ponto de equilíbrio em v negativo um ponto de equilíbrio em ( nµ mω n,0 ), ). ( nµ mω n,0
60 Stick-slip O stick ocorre quando y=v e quando a força de atrito que varia de acordo com f(t)=kx(t), está confinada no intervalo f max < f < f max, onde f max = µn. correspon- Dessa forma, o segmento horizontal y=v e x µn k dem ao stick. O stick só pode ocorrer no regime transiente. No regime estacionário, o diagrma de fase é escrito como um círculo e só terá slip.
61 Stick-slip Vamos observar o que acontece quando a esteira tem velocidade descontínua: Cada mudança do sinal da velocidade pode ser interpretada como uma renicialização do sistema. O parâmetro 2ω b determina a frequência com que o sistema é renicializado.
62 Esteira tem velocidade descontínua Figura: Diagrama de fase em regime permanente com (a) r=0.1 e (b) r=0.4.
63 Esteira tem velocidade descontínua Figura: Diagrama de fase em regime permanente com (a) r=1.0 e (b) r=1.3.
64 Esteira tem velocidade descontínua Figura: Diagrama de fase em regime permanente com (a) r=2.0 e (b) r=2.5.
65 Modelo estocástico da velocidade da esteira Fixado um intervalo de tempo [0,T] para analíse da resposta do sistema, o número de descontinuidades na velocidade da esteira é modelada como um processo de Poisson, N (T). p N (T) (n)= (λ T)n exp( λ T). n!
66 Modelo estocástico da velocidade da esteira Fixado o intervalo [0,T], e sorteado o número de descontinuidades da velocidade da esteira, n, os instantes das descontinuidades são modelados como um processo uniforme. Sorteio: n pontos são escolhidos aleatoriamente e de forma independente no intervalo [0, T]. Ordenação: a 1,a 2,,a n = t 1 t 2 t n
67 Modelo estocástico da velocidade da esteira Implementação em Matlab: histograma do número de mudanças da esteira λ T= numero de mudancas 140 Figura: Histograma do número de mudanças da esteira contruído com 3, 000 amostras.
68 Uma realização do sistema Simulação em Matlab: uma realização das velocidades da esteita e do bloco ẋ [m/s] t [s] Figura: Realização da velocidade da esteira e da velocidade do bloco.
69 Propagação de incertezas Objetivo: calcular estatísticas da resposta do sistema. Número de sticks; S Instantes em que começam os sticks: K 1,K 2,,K s Duração dos sticks: D 1,D 2,,D s Instantes em que começam os slips: L 1,L 2,,L s Para os cálculos das estatísticas, 3,000 simulações de Monte Carlo foram realizadas.
70 Número de sticks Implementação em Matlab: histograma do número de sticks λ T= numero de sticks 50 Figura: Histograma do número de sticks contruído com 3, 000 amostras.
71 Instantes em que começam os sticks Implementação em Matlab: histogramas dos instantes em que começam os sticks. Figura: Histogramas dos instantes em que começam os sticks contruídos com 3, 000 amostras.
72 Duração dos sticks Implementação em Matlab: histograma das durações dos sticks. Figura: Histogramas das durações dos sticks contruídos com 3, 000 amostras.
73 Instantes em que começam os slips Implementação em Matlab: histogramas dos instantes em que começam os slips. Figura: Histogramas dos instantes em que começam os slips contruídos com 3, 000 amostras.
74 Artigo
75 Livros publicados / em preparação
76 Modelagem Estocástica e Quantificação de Incertezas Rubens Sampaio rsampaio@puc-rio.br Roberta de Queiroz Lima robertalima@puc-rio.br Departamento de Engenharia Mecânica DINCON 2015
Teoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisModelagem e Análise de Sistemas de Computação Aula 19
Modelagem e Análise de Sistemas de Computação Aula 19 Aula passada Intro a simulação Gerando números pseudo-aleatórios Aula de hoje Lei dos grandes números Calculando integrais Gerando outras distribuições
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
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 maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
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 maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #03 de Probabilidade: 19/10/2018 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
Leia maisAvaliação e Desempenho Aula 5
Avaliação e Desempenho Aula 5 Aula passada Revisão de probabilidade Eventos e probabilidade Independência Prob. condicional Aula de hoje Variáveis aleatórias discretas e contínuas PMF, CDF e função densidade
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 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 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 maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia 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 maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
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 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 maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisEstatística 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 maisDistribuições de Probabilidade. Distribuição Uniforme Distribuição Exponencial Distribuição Normal
Distribuições de Probabilidade Distribuição Uniforme Distribuição Exponencial Distribuição Normal 1 Distribuição Uniforme A distribuição Uniforme atribui uma densidade igual ao longo de um intervalo (a,b).
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 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 maisEstatística (MAD231) Turma: IGA. Período: 2017/2
Estatística (MAD231) Turma: IGA Período: 2017/2 Aula #03 de Probabilidade: 04/10/2017 1 Variáveis Aleatórias Considere um experimento cujo espaço amostral é Ω. Ω contém todos os resultados possíveis: e
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 maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
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 maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
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 maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisMódulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk
Módulo II: Cálculo dos Momentos de um Processo Estocástico, Processo de Bernoulli, Processo Random Walk Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia maisEstatísticas Inferenciais Distribuições Amostrais. Estatística
Estatística Na descrição dos conjuntos de dados x 1,..., x n, não foi feita menção ao conceito de população. Estatísticas inferenciais: preocupadas com a fonte dos dados e em tentar fazer generalizações
Leia 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 maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias. TE802 Somas de Variáveis Aleatórias
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 27 de setembro de 2017 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] +
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisTE802 Processos Estocásticos em Engenharia. Valores Esperados de Somas de Variáveis Aleatórias Notes. PDF da Soma de Duas Variáveis Aleatórias.
TE802 Processos Estocásticos em Engenharia Somas de Variáveis Aleatórias 25 de abril de 2016 Valores Esperados de Somas de Variáveis Aleatórias Seja W n = X 1 + + X n, E[W n ] = E[X 1 ] + E[X 2 ] + + E[X
Leia maisAST203-CVR 4-1 AST203-CVR. Observação eletromagnética. Processamento de sinais importante em várias áreas, além da astronomia telecomunicações
Bloco 4 Estatística Atualizado: 2012 4-1 Bibliografia Lena Cap. 4 (parte) - só a inspiração... Wall & Jenkins, Practical statistics for astronomers Brandt Statistical and computacional methods in data
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 mais2.4 Esperança e distribuição condicionais
2.4. ESPERANÇA E DISTRIBUIÇÃO CONDICIONAIS 35 2.4 Esperança e distribuição condicionais Estendemos aqui o conceito de probabilidade condicional em (2.8) para obter a distribuição condicional e, posteriormente,
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral
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 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 maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
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 maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
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 maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisDaniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS
Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia 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 maisLista de Exercícios #2 Assunto: Variáveis Aleatórias Discretas
1. ANPEC 2018 Questão 3 Considere um indivíduo procurando emprego. Para cada entrevista de emprego (X) esse indivíduo tem um custo linear (C) de 10,00 Reais. Suponha que a probabilidade de sucesso em uma
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 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 mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisProcessos Estocásticos
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisProfessora Ana Hermínia Andrade. Período
Distribuições de probabilidade Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2016.2 Modelos de distribuição Para
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Modelos Probabilísticos Discretos Uniforme Bernoulli Binomial Hipergeométrico Geométrico Poisson Contínuos Uniforme Normal Tempo de Vida Exponencial Gama
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
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 maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisRevisão de Probabilidade
05 Mat074 Estatística Computacional Revisão de Probabilidade Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.ufrgs.br/~viali/ Determinístico Sistema Real Causas Efeito Probabilístico X Causas Efeito
Leia mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
Leia maisProcessamento de Imagens
Processamento de Imagens Introdução Mylène Christine Queiroz de Farias Departamento de Engenharia Elétrica Universidade de Brasília (UnB) Brasília, DF 70910-900 mylene@unb.br 22 de Março de 2016 Aula 03:
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 maisDistribuições de Probabilidade. Distribuição Normal
Distribuições de Probabilidade Distribuição Normal 1 Distribuição Normal ou Gaussiana A distribuição Normal ou Gaussiana é muito utilizada em análises estatísticas. É uma distribuição simétrica em torno
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Simulação O que é simulação? Reprodução de um
Leia mais2. Distribuições amostrais
2. Distribuições amostrais USP-ICMC-SME 203 USP-ICMC-SME () 2. Distribuições amostrais 203 / 22 Amostra aleatória Notação. X: variável aleatória (v.a.). f(x; θ): função densidade de probabilidade (X contínua)
Leia maisDistribuição de Probabilidade. Prof. Ademilson
Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisLucas Santana da Cunha de junho de 2017
VARIÁVEL ALEATÓRIA Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de junho de 2017 Uma função que associa um número real aos resultados
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 maisPROCESSO DE POISSON. Processo Estocástico Prof, Ms. Eliana Carvalho
Processo Estocástico Prof, Ms. Eliana Carvalho Este processo estocástico deve o seu nome ao matemático francês Simion-Denis Poisson (1781-1840). Espaço de estados discreto (cadeia) Variável tempo é contínua
Leia maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES PARTE I Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável
Leia maisà Análise de Padrões
CC-226 Introdução à Análise de Padrões Prof. Carlos Henrique Q. Forster Variáveis, Estatísticas sticas e Distribuições de Probabilidades Tópicos de hoje Definições Alguns estimadores estatísticos Distribuições
Leia maisAula 7. Aula de hoje. Aula passada
Aula 7 Aula passada Método de Monte Carlo Estimando somatórios Calculando erro Estimando Erro de Integração de Monte Carlo Monte Carlo Ray Tracing Aula de hoje Gerando amostras de v.a. discretas Gerando
Leia maisResumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf
Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Processos Estocásticos 2 Classicação
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisInstituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica. Professora: Denise Beatriz T. P. do Areal Ferrari
Instituto Tecnológico de Aeronáutica Divisão de Engenharia Mecânica-Aeronáutica Professora: Denise Beatriz T. P. do Areal Ferrari denise@ita.br Distribuições Discretas Uniforme Bernoulli Binomial Poisson
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Distribuições Discretas de Probabilidade Prof. Narciso Gonçalves da Silva www.pessoal.utfpr.edu.br/ngsilva Introdução Distribuições Discretas de Probabilidade Muitas variáveis
Leia maisDISTRIBUIÇÃO NORMAL DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS ROTEIRO DISTRIBUIÇÃO NORMAL
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências DISTRIBUIÇÃO NORMAL Definição:
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisIND 1115 Inferência Estatística Aula 7
Conteúdo IND 1115 Inferência Estatística Aula 7 Setembro 2004 Por que a revisão de probabilidades até agora? A importância da distribuição Normal O Mônica Barros mbarros.com 1 mbarros.com 2 Por que uma
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 maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisAULA 8. DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017
AULA 8 DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017 As funções de distribuição (acumulada) e de densidade para v.a. contínuas = =. Se a densidade f(x)for continua no seu
Leia maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável Aleatória
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia mais