Técnicas Computacionais em Probabilidade e Estatística I
|
|
- João Guilherme Teves Molinari
- 6 Há anos
- Visualizações:
Transcrição
1 c Técnicas Computacionais em Probabilidade e Estatística I Aula Chang Chiann MAE IME/SP º Sem/008
2 Slide c chang; /4/008
3 Simulação Estática Obetivo: Em análise estatística de dados, modelos estocásticos são adotados a dados reais e estudos de simulação são usados para análise do modelo adotado (Por meio destas técnicas pode-se estudar as propriedades de um modelo estocástico) Gerar números aleatórios (pseudo-aleatórios) Gerar valores de variáveis aleatórias arbitrárias (discretas e contínuas) sar v.a. para gerar o comportamento de um modelo estocásticoestudar o comportamento de estimadores
4 Motivação A Natureza e Fenômenos Aletórios f ( ) + e Fenômeno Real Modelo estrutural estocástico adotado para eplicar a variação de em função das variáveis, além de um resíduo O Modelo estrutural e estocástico deve ser o mais próimo possível do fenômeno real, mas deve ser matematicamente tratável Eemplo: tempo de vida, tempo entre chegadas, tempo de cura, tamanho da ferida, diâmetro da folha, comprimento do recém-nascido, número de acidentes, número de receituários emitidos,
5 Modelo Estatístico f ( ) + e Var. aleatória (dependente) Var. eplicativa (independente) Var. aleatória (resíduo) E() f () µ V() V(e) σ ² Suposições comuns a conuntos de dados: Amostra aleatória simples de tamanho n ( iid ) Distribuição de probabilidade conhecida Parâmetros de Locação e Escala comuns Análise de diagnóstico (gráficos)
6 Motivação ANOVA Efeitos Fios Suposições: modelo estrutural e distribucional são adotados aos dados yi yi µ + ε i componente fio µ + τ + ε i efeito do tratamento iid ε i ~ N ( 0 ; ) σ normalidade homocedasticidade independência H0: µ µ µ µ τ... τ 0... k k H: eiste pelo menos uma diferença F SSM /( k ) SSE /( n k) QMM QME sob H0 ~ F k, n k Análise de Diagnóstico
7 : : Números Aleatórios Variável aleatória Valor da variável aleatória Geradores de Números aleatórios: Tabelas, calculadoras, computadores Computadores: geram # pseudo-aleatórios pois são obtidos deterministicamente, a partir de uma semente, e se parecem com (0;) independentes f ( 0 ; ) ~ V.a. com distribuição niforme no intervalo (0,) ~ ( a ; b) ( ), 0 < < ; E( ) b a V b a f ( ) d b + a ( ) E( E( )) ( b a)
8 Geradores de Números Aleatórios Método Congruencial Multiplicativo 0 n : Semente (valor inicial) a n modulo m; n a : é divisível por m R 0,,,..., m : n n m ~ ( 0 ; ) E: Computador 3 bits m 3 - a n 36 bits m 35-3 a5 5 0; n a n + c modulo m; n é o resto da divisão Método Congruencial Misto (envolve termos multiplicativo e aditivo)
9 Geradores de Números Aleatórios Maioria das linguagens á tem um gerador de # aleatórios implementado No Aplicativo R: > k<-0 # numero de amostras > <-runif(k) > [] [7]
10 Aplicação Cálculo de Integrais θ g( ) 0 d ( 0 ; ) θ E( g( )) ~? Lei Forte dos Grandes Números:,,..., k ~ ( ) g( ) g( ) g,...,, iid ( 0 ; ) k v.a. iid com valor esperado θ Com probabilidade tem-se: k g ( ) k k E ( g( )) θ Pesquisa de Monte Carlo!
11 Cálculo de Integrais E. : θ 0 ep( e ) d Aplicação > k<-000 # numero de amostras > <-runif(k) > g<-ep(ep()) > mean(g) [] E. : θ ln( + ) 0 d > k<-000 # numero de amostras > <-runif(k) > g<-log(+) > mean(g) []
12 Aplicação Cálculo de Integrais ( ) b a d g θ? ( ) d a b dy a b a y d g b a θ [ ] + 0 ) ( ) ( dy a b a a b y g θ ( ) ( ) + 0 ) ( ) ( ; ) ( y a b a g a b y h dy y h
13 Aplicação Cálculo de Integrais 0 ( ) θ g d? θ g( ) d y dy + 0 ( + ) d y d θ 0 h( y) dy; h ( y) g y y
14 Aplicação Cálculo de Integrais Multidimensionais θ 0... g(,,..., n ) dd,..., dn 0 0 θ E iid ( n ( g,,..., )) ~ ( 0 ; ) Cálculo aproimado: Gerar k conuntos independentes de n (0;) independentes? k k n n k n ; ( ) g,...,, n são iid com média θ k g (, ),..., k n k θ
15 Aplicação Estimação do Número π (,y) P ((, y) circulo) P( + y ) π 4 Gerar pontos no quadrado (um grande número de vezes) e a proporção de pontos que caem dentro do círculo será aproimadamente π/4.
16 Aplicação Estimação do Número π ( ) ( ), ; ) ( ) ( ), ( ; ; ~ ; ~ y y f f y f ( ) ( ) ( ) + cc y se I 0 ; ~ ) ( ; 0; ~ 0; ; ~ ( ) ( ) ( ) 4 π + P I P I E
17 Aplicação Estimação do Número π > k<-000 # numero de amostras > n<- # tamanho da amostra > z<-numeric(0) > for(i in :k) + { + y<-runif(n) # amostra de tamanho n da (0,) + z[i]<-y[]^+y[]^ # z calculado para cada amostra + } > vi<-ifelse(z<,,0) # varißvel indicadora > sum(vi)/k [] Conclusão:
18 Simulação Estocástica Gerando Variáveis Aleatórias Discretas Método da Transformada Inversa Método da Reeição (Aceitação/Reeição) Método da Composição
19 Método da Transformada Inversa : variável aleatória discreta ( ) p ; 0,,... p P ( 0; ) ~ se < 0 p 0 < + se p0 p0 p se i p i < i p i Desde que: 0 < a < b < P ( a < b) b a ( ) P pi < pi p P i i
20 Método da Transformada Inversa ALGORITMO: P ( ) p ; 0,,,... Gerar ~ ( 0; ) Se Se Se... < < < p p p , + p + p + p pare, pare 3, pare
21 Método da Transformada Inversa Eemplo: Simular, tal que: P ( ) p ;,,3, 4 p 0, p 0,5 p3 0,5 p4 0,4 ~ ( 0; ).. Se Se < 0,0 < 0,35,, pare pare 3. Se < 0,60 3, pare 4. c. c. 4 Outra alternativa (mais eficiente): ~ ( 0; ).. Se Se < 0,4 4, < 0,65 3, pare pare 3. Se < 0,85, pare 4. c. c.
22 Método da Transformada Inversa : variável aleatória discreta ( ) p ; 0,,... p P ( 0; ) ~ se < 0 p 0 + se p0 < p0 p se i p i < i p i Se: 0 < < <... F ( k ) P( k ) ( ) F( ) se F < k i p
23 Método da Transformada Inversa Eemplo: Simular : variável aleatória uniforme discreta P,..., n ( ) ;, n ~ ( 0; ) ( ) F( ) se F < se < n < n n [ n ] + Escreva o algoritmo!
24 Método da Transformada Inversa Eemplo: so da v.a. uniforme discreta Gerar uma permutação aleatória dos números,,, n ~ ( 0; ) I [ n ] + ocupará a posição n ~ ( 0; ) I [( n ) ] + ocupará a posição n ~ ( 0; ) I [( n ) ] + ocupará a posição n Para um conunto geral de n números seguir com a ordenação e atribuição da série,,,n aplicar o algoritmo acima.
25 Método da Transformada Inversa Aplicação: i Gerar a Geométrica: ~ Geom( p) P( i) pq i λ λ i e λ i! Gerar a Poisson: ~ P( ) P( i) i 0 n! i!( n i)! i n i Gerar a Binomial: ~ Bino( n; p) P( i) p q i 0,,..., n Escreva os algoritmos!
26 Método da Transformada Inversa Aplicação: Gerar a seguinte v.a. tal que: P() 0, 0, 0,09 0,08 0, 0, 0,09 0,09 0, 0,. Se < 0,08 4, pare ~ ( 0; ). 3. Se Se < 0,7 < 0,6 3, 7, pare pare 3. Se < 0,35 8, pare 3. Se < 0,45 6, pare 3. Se < 0,55 9, pare 3. Se < 0,65 0, pare 3. Se < 0,76, pare 3. Se < 0,88, pare 4. c. c. 5
27 Alternativa mais eficiente: Gerar a seguinte v.a. tal que: Método da Reeição P() 0, 0, 0,09 0,08 0, 0, 0,09 0,09 0, 0, ( 0; ) [ 0 * ] ; ~ ( ;0 ) ~ + y se P( P( y) y) p p ( y) ( y) p ( y) /0 c; c
28 Método da Reeição (Aceitação/Reeição) Suponha que a variável aleatória tem sido gerada eficientemente: ( y ) q 0 ; P Em geral é a uniforme discreta é usada para gerar a variável aleatória, tal que, P ( ) p 0 da seguinte forma: ( ) Simule ; P q Gere ~ (0;) p Se <, pare cq c. c. retorne ao passo Note que: p q c para todo ; p 0; c
29 Método da Reeição Algoritmo: ( ) Simule ; P q Gere ~ (0;) Se p < cq, c. c. retorne ao passo pare Gera ; q Adota c Gera ~(0;) p cq S N
30 P Método da Reeição Algoritmo:. Simule ; P( ). Gere 3. Se ~ (0;) p <, pare cq 4. c. c. retorne ao passo Prova: ( i) P( i Aceitação) k P i; p i cq i ( i; Aceit) P( Aceit) P P k q p i i i i ( i) P pi cq i q k p cq i p kc pi P( i) kc i i kc
31 Simule a v.a. tal que: Método da Reeição P() 0, 0, 0,09 0,08 0, 0, 0,09 0,09 0, 0, Algoritmo: Gere Gere Se ~ (0;) Escolha c Ma ~ (0;) [0, p <, pare 0, c. c. retorne ao passo p q ] + p c ma q p < cq
32 Simule a v.a. tal que: Método da Reeição P() 0, 0, 0,09 0,08 0, 0, 0,09 0,09 0, 0, Algoritmo: Gere Gere Se ~ (0;) Escolha c Ma ~ (0;) [0, p <, pare 0, c. c. retorne ao passo p q ] + < p cq
33 Método da Composição (Mistura) Suponha que podemos gerar eficientemente e, tal que: ( ) q P( ) p ; 0 P Então, para gerar definida como: P basta fazer: ( ) α p + ( α ) q ; 0, 0 < α < com probabilid ade α com probabilid ade ( α )
34 Aplicação: Gerar tal que, P Método da Composição ( ) 0,5 p + 0,5 q ;,,..., 0 p 0,0,,...,0 q 0 0,,,3,4,5 6,7,8,9, P() 0,05 0,05 0,05 0,05 0,05 0,5 0,5 0,5 0,5 0,5
35 Aplicação: Gerar tal que, Método da Composição P ( ) 0,5 p + 0,5 q ;,,..., 0 p 0,0,,...,0 q 0 0,,,3,4,5 6,7,8,9,0 Algoritmo: Gere Se Gere c. c. ~ (0;) ~ (0;) < 0,5 [ 5 ] + 6 [ 0 ] +, pare
36 Simulação Estocástica Gerando Variáveis Aleatórias Contínuas Método da Transformada Inversa Método da Reeição (Aceitação/Reeição) Método Polar (v.a. Normais)
37 Método da Transformada Inversa Gerar, variável aleatória contínua, tal que: P ( ) F ( ) F ALGORITMO: Gerar ~ ( 0; ) F ( ) Prova: F ( ) P( ) P( F ( ) ) P( F( F ( )) F( ) ) ( F( ) ) F( ) P
38 Método da Transformada Inversa Gerar, variável aleatória contínua, tal que: P n ( ) F ( ) ; 0 < < ~ (0;) F ( u) u F n / n ( ) u Algoritmo: Gerar ~ ( 0; ) / n
39 Método da Transformada Inversa Gerar, variável aleatória com distribuição eponencial de parâmetro λ λ ( λ ); f ( ) λe e ; 0 ~ ep > P ( ) F ( ) e ; > 0 F ( u) u F ( ) e u e ln ( u) Algoritmo: Gerar ~ ( 0; ) ( ) ln
40 Método da Transformada Inversa Gerar, variável aleatória com distribuição eponencial de parâmetro λ λ ( λ ); f ( ) λe e ; 0 ~ ep > P ( ) F ( ) e ; > 0 Algoritmo: Gerar ~ ( 0; ) ln( ) Algoritmo mais rápido: Gerar ln ( ) ~ ( 0; ) λy ( λ) ; f ( y) λe ; y 0 ~ ep > λ λ y ( y) F ( y) e ; y > 0 P ln λ
41 Método da Transformada Inversa Gerando o processo de Poisson a partir da soma de variáveis eponenciais: N ~ n i i P N() ~ ( λ) Poisson i : tempos entre chegadas sucessivas (i, ) : Tempo total até a n-ésima chegada n N() ma n : i ( λ ) i Algoritmo: ( 0; ), i, n Gerar i ~,..., N ma n; ma n; ma n i n i ln λ ln i { n; ( * *...* ) e λ } i λ ma n { n;ln( * *...* ) λ} n
42 Método da Transformada Inversa Gerando o processo de Poisson a partir da soma de variáveis eponenciais: Algoritmo mais eficiente: ( 0; ), i, n Gerar i ~,..., N λ { n; ( * *...* ) < e } min n
43 Método da Transformada Inversa Gerando a distribuição Gama: ~ Gama P n ( λ) ( n )! λ ( n, λ) ; f ( ) λe ; > 0 y ( ) F ( ) e ( n 0 n (λy) dy )! λ λ? ~ Gama n ( n, λ) i ; ~ ep( λ) i i Algoritmo: Gerar i ~ ( 0; ), i,,..., n ln... ln ln... λ λ λ ( ) n n
44 Método da Reeição Suponha que a v.a. pode ser gerada eficientemente, ; g ( y) Em geral, é niforme ou Eponencial A variável pode ser gerada a partir de, como: se f g ( y) ( y) c para todo y Algoritmo:. Gerar ; g ( y). Gerar ~ ( 0,) f ( y) 3. Se c g ( y) 4. c. c. retornar ao passo y
45 Método da Reeição Algoritmo:. Gerar ; g ( y). Gerar ~ ( 0,) f ( y) 3. Se c g ( y) 4. c. c. retornar ao passo y c f ma g Gerar ; g Calcular c Gerar ~(0;) c f g ( y) ( y) S N O número de iterações necessárias é uma variável eponencial com média c
46 Método da Reeição 3 Aplicação: Gerar, tal que, ( ) 0 ( ) 0 f < < Sea ( 0; ) g ( y) 0 < y ~ < { 0( ) 3 } f ( y) c? ma ma g ( y) c f g ( / 4) 3 0 ( / 4) ( ) 3 / 4 0 [ ] 3( ) 0 Diferenciar e igualar a zero c f g ( y) ( y) { 0( ) } ( ) 7
47 Método da Reeição 3 Aplicação: Gerar, tal que, ( ) 0 ( ) 0 f < < f ( y) ~ c g ( y) ( 0; ) { 0( ) } ( ). Gerar ~ ( 0; ) Algoritmo:. Gerar ~ ( 0; ) Se 7 4. c. c. retornar ao passo 3 ( )
48 Método da Reeição 3 Aplicação: Gerar ~ Gama ; f ( ) e 3 ( ) 3 Γ( ) > 0 3 Sea ~ ep 3 3 / f ( ) / Γ(3/ ) e c? ma ma ( / 3) g ( ) 3/ e ( y λ ) g ( y) e y > 0 3 ma Γ / e (/ 3) ( 3/ ) 3/ c Γ / 3 3 (/ 3)(3 / ) ( 3/ ) e c f / ( ) e / / 3 g ( ) 3 e
49 Método da Reeição 3 Aplicação: Gerar ~ Gama ; f ( ) e 3 ( ) 3 Γ( ) > 0 ~ ep( λ ) 3 c f / ( ) e / / 3 g ( ) 3 e. Gerar 3 ~ 0; ln ( ) Algoritmo:. Gerar ~ ( 0; ) / e / / 3 3. Se e 3 4. c. c. retornar ao passo, pare Neste caso, o número de iterações necessárias é c,57
50 Método da Reeição Aplicação: Gerar Z ~ N ( 0; ) f ( z) e < < Z (π ) / Gerar Z ; f Z ( ) e ; 0 (π ) > / Obter Z, tal que, P(Z)P(Z-)0,5 y ( λ ); g ( y) e y 0 ~ ep > f ( ) {( ) / } Z / c? ma ma / π e g ( ) c / / ( / π ) e c f g ( ) ( ) ep ep ( ) #médio de iterações
51 Método da Reeição ~ 0; Aplicação: Gerar Z N ( ) f ( z) e < < Gerar Z ; f Z (π ) ( ) e ; 0 (π ) > / / Obter Z, tal que, P(Z)P(Z-)0,5 Algoritmo:. Gerar ~ ( 0; ). Gerar ~ ln ( 0; ) ( ) 3. Se ep, vá para passo 4. c. c. retornar ao passo ( 0; ) Se 0,5 Z pare Gerar ~, 5 6. c. c. Z, pare
52 Método da Reeição m algoritmo mais eficiente pode ser obtido, por notar que:. Gerar ~ ( 0; ) ( 0; ). Gerar ~ ln ( ) 3. Se ep, vá para passo 4. c. c. retornar ao passo 6. c. c. Z, ( 0; ) Se 0,5 Z pare Gerar ~, pare 5 ( ) ln ; ln ~ ep ( λ )
53 Método da Reeição Aplicação: Gerar Z ~ N ( 0; ) f ( z) e < < Z (π ) / Algoritmo mais eficiente:. Gerar ~. Gerar ~ 3. Se ( ) 4. c. c retornarao 5. Gerar ~ ( 0; ) ( 0; ) ( 0; ) 6. c. c. Z, pare. 3 passo ln ln, vá Se 3 para passo5 0,5 Z, pare.
54 Simulação de Variáveis Normais Gerar ~ N µ ( ) ( ) σ µ ; σ f e < < (πσ ) / Gerar Z ~ N ( 0; ) f ( z) e < < Z (π ) / Obter ; σ Z + µ
55 Método Polar para Gerar Normais Coordenadas cartesianas e coordenadas polares: R (,) R + tanθ θ tan θ R cosθ R senθ Transformação de Bo-Miller: Obter variáveis Normais padrão independentes ( e ) a partir de variáveis niformes R cosθ R senθ ln cos sen ( π ) ( π ) ln Simulação: limitações com o cálculo de senos e cossenos
56 Método Polar para Gerar Normais V R cosθ R senθ - R V θ 0 V V - ( V ) / V R + senθ V R S cos θ R V R V ln S S / V ln S S /
57 - V - R V θ 0 V V Método Polar Pontos (v,v) estão distribuídos uniformemente no círculo de raio unitário. Logo: V V ~ ~ ( 0; ) ; ( 0; ) ; V V ~ ~ ( ; ) ( ; ) V ln S S / V ln S S / S + V V e são variáveis aleatórias independentes com distribuição Normal Padrão: ~ N( 0; ) ~ N( 0; )
58 Validação Estatística de Simulação Estocástica Gráficos Q-Q Geração de Variáveis Aleatórias Discretas: Testes de Bondade de Auste (Aderência): testes Qui-Quadrado Geração de Variáveis Aleatórias Contínuas: Gráficos Q-Q Testes de Bondade de Auste (Aderência): categorizando a variável em pequenos intervalos Testes de Kolmogorov-Smirnov
59 Validação Estatística de Simulação Estocástica Testes de Bondade de Auste (Aderência): Q K ( O E ) ( N np ) K i i i i ~ χ K i Ei i npi O i : frequência observada (N i ) na casela I E i : frequência esperada (np i ) de observações na casela I n observações foram geradas K valores foram observados da variável nas n simulações
60 Validação Estatística de Simulação Estocástica Testes Kolmogorov-Smirnov: H : Fe 0 ( ) F( ) F e D ( ) ma F 0 se < se n n se e se ( ) F( ) n < < + F( ) F e ( ) n Valores ordenados das simulações
61 Validação Estatística de Simulação Estocástica Testes Kolmogorov-Smirnov: D ma F e ( ) F( ) Suponha que para o conunto de n valores simuladosdd Cálculo do nível descritivo do teste: p P ( D d ) ( ), F( ) ;,..., n ; < <... n D ma F < n n Pode ser mostrado que a distribuição da estatística D não depende de F logo o valor p é calculado via simulação a partir da distribuição niforme como veremos a seguir.
62 Validação Estatística de Simulações Aplicação: Verifique se os dados a seguir podem ser assumidos como tendo uma distribuição eponencial com média 00: F / 00 ( ) e d0,483 Cálculo do nível descritivo do teste de Kolmogorov-Smirnov: Algoritmo:. n 9. Gerar : 3. Ordenar : 3. D ma,...,,..., {,,...,,..., } n () () 4. retorne ao passo K vezes n n ( n) () n ( ) () p P ( D d ) : proporção dos K valores que são maiores ou iguais a d
63 Bibliografia Ross, S.M. (997). Simulation. Academic Press.
Ricardo 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 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 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 Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisMétodos para geração de variáveis aleatórias
Métodos para geração de variáveis aleatórias Cristiano de Carvalho Santos cristcarvalhosan@gmail.com Departamento de Estatística, Universidade Federal de Minas Gerais (UFMG) Introdução Por que é necessário
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia 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 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 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 maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
ALGUMAS DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE 4. 1 INTRODUÇÃO Serão apresentadas aqui algumas distribuições de probabilidade associadas a v.a. s contínuas. A mais importante delas é a distribuição Normal
Leia 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 maisAumentando a Eciência de Métodos Monte Carlo: Redução de Variâncias por Condicionamento
Aumentando a Eciência de Métodos Monte Carlo: Redução de Variâncias por Condicionamento Ian Meneghel Danilevicz Walmir dos Reis Miranda Filho Métodos Computacionais Aplicados à Estatística Prof.: Cristiano
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 maisSexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Processo de Poisson. Processo de Poisson Homogêneo Considere N(t) o número de ocorrências de um determinado
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
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 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 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 maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia maisAula 5. Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios?
Aula 5 Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios? Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa.
Leia maisObjetivos. fim de servir de entrada na simulação de um modelo.
Geração de variáveis aleatórias Objetivos Geração de amostras para uma distribuição em específico a fim de servir de entrada na simulação de um modelo. Ilustrar algumas técnicas usadas para geração de
Leia maisS I M U L A Ç Ã O 84
S I M U L A Ç Ã O 84 - 1 - Elabore uma rotina que lhe permita gerar números pseudo-aleatórios (NPA) com distribuição X ( f X ( x ) representa a função de densidade de probabilidade de X e F X ( x ) representa
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia maisCapítulo 4 - Variáveis aleatórias e distribuições contínuas
Capítulo 4 - Variáveis aleatórias e distribuições contínuas Conceição Amado e Ana M. Pires 4.1 - Variáveis aleatórias contínuas. Função densidade de probabilidade 3 4.2 - Valor esperado, variância e algumas
Leia maisEstatística Não Paramétrica. Como construir testes de aderência
Estatística Não Paramétrica Como construir testes de aderência Teste Qui-quadrado Suposições amostra aleatória Dados nominais (sexo: M ou F) ou numéricos (idade: menor que 15, 15-24, 25-34, 35-44, 45-54,
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 3 4 5 6 7 8 9 10 11 1 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
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 maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
Leia 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 maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisUMa das abordagens mais úteis para modelagem de sistemas é a caracterização de eventos
3 Capítulo 1 Distribuições de Probabilidade 1.1 Introdução UMa das abordagens mais úteis para modelagem de sistemas é a caracterização de eventos através de distribuições de probabilidade. As distribuições
Leia maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia maisIntrodução. São duas técnicas estreitamente relacionadas, que visa estimar uma relação que possa existir entre duas variáveis na população.
UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução São duas técnicas estreitamente relacionadas, que visa estimar uma relação
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 maisDistribuições de Probabilidades
Distribuições de Probabilidades 1 Distribuições Contínuas 1.1 Distribuição Uniforme - U(a,b) Uso mais comum: Primeira tentativa em casos em que apenas os limites dos dados são conhecidos. f() 1/(b-a) a
Leia maisCE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
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 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 mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia maisGABARITO COMENTÁRIO PROVA DE MATEMÁTICA (IV SIMULADO ITA/2007) QUESTÕES OBJETIVAS 3 ( 2) ( 2) = 3. 5 m. 64 x
D: 00 08 º EM MATEMÁTICA ITA IME SIMUL COMENT Rosângela o Ensino Médio PROVA DE MATEMÁTICA (IV SIMULADO ITA/00) GABARITO COMENTÁRIO QUESTÕES OBJETIVAS QUESTÃO 0 LETRA D Como a equação é do quinto grau
Leia maisPRINCIPAIS MODELOS CONTÍNUOS
RINCIAIS MODELOS CONTÍNUOS 0 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por, f β α 0, Notação: ~ Uα, β. 0,
Leia maisAnálise de Aderência e de Associação
Análise de Aderência e de Associação Capítulo 14, Estatística Básica (Bussab & Morettin, 8a Edição) Capítulo 8, Introdução Computacional à Probabilidade e Estatística (Pedrosa & Gama, Porto Editora) 8a
Leia 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 maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória
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 maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisProbabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05
Departamento de Matemática Secção de Estatística e Aplicações - IST Probabilidades e Estatística - LEIC + LERCI + LEE 2 o semestre 2004/05 3 o Teste 4/6/2005 9h O Teste que vai realizar tem a duração total
Leia mais1) Deseja-se usar o algoritmo de rejeição para simular de uma v.a. normal positiva, cuja densidade é dada por. 2 x > 0.
MAE0399 - Análise de Dados e Simulação - o semestre de 208 - IME - USP 2 a Lista de Exercícios ) Deseja-se usar o algoritmo de rejeição para simular de uma v.a. normal positiva, cuja densidade é dada por
Leia maisSUMÁRIO. 1 Lista de Modelos Probabilísticos Modelos Discretos Modelos Contínuos... 3
SUMÁRIO Lista de Modelos Probabilísticos. Modelos Discretos.................................. Modelos Contínuos................................ 3 LISTA DE MODELOS PROBABILÍSTICOS. MODELOS DISCRETOS Distribuição
Leia maisAGA Análise de Dados em Astronomia I. O método de Monte Carlo
1 / 16 AGA 0505- Análise de Dados em Astronomia I O método de Monte Carlo Laerte Sodré Jr. 1o. semestre, 2018 2 / 16 breve história método de resolução de problemas baseado em amostragem aleatória de distribuições
Leia maisDepartamento de InformáAca - PUC- Rio. Hélio Lopes Departamento de InformáAca PUC- Rio. A plataforma R
Introdução à Simulação Estocás5ca usando R INF2035 PUC- Rio, 2013.1 Departamento de InformáAca - PUC- Rio Hélio Lopes Departamento de InformáAca PUC- Rio A plataforma R R é uma linguagem de programação
Leia maisDistribuições de probabilidade de variáveis aleatórias contínuas
Distribuições de probabilidade de variáveis aleatórias contínuas Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Distribuição Exponencial Introdução É utilizada frequentemente como modelo para
Leia maisEstatística Básica MEDIDAS RESUMO
Estatística Básica MEDIDAS RESUMO Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Motivação Básica Se você estivesse num ponto de ônibus e alguém perguntasse sobre
Leia maisALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS. Prof.: Idemauro Antonio Rodrigues de Lara
1 ALGUNS MODELOS DE VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS Prof.: Idemauro Antonio Rodrigues de Lara 2 Modelos de variáveis aleatórias discretas 1. Distribuição Uniforme Discreta 2. Distribuição Binomial
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisProbabilidade e Estatística. stica. Prof. Dr. Narciso Gonçalves da Silva pessoal.utfpr.edu.
Probabilidade e Estatística stica Prof. Dr. Narciso Gonçalves da Silva http://paginapessoal.utfpr.edu.br/ngsilva pessoal.utfpr.edu.br/ngsilva Distribuição Uniforme Uma variável aleatória contínua X está
Leia 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 maisraio do arco: a; ângulo central do arco: θ 0; carga do arco: Q.
Sea um arco de circunferência de raio a e ângulo central carregado com uma carga distribuída uniformemente ao longo do arco. Determine: a) O vetor campo elétrico nos pontos da reta que passa pelo centro
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
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 maisFunções Elementares. Sadao Massago. Maio de Alguns conceitos e notações usados neste texto. Soma das funções pares é uma função par.
Funções Elementares Sadao Massago Maio de 0. Apresentação Neste teto, trataremos rapidamente sobre funções elementares. O teto não é material completo do assunto, mas é somente uma nota adicional para
Leia maisRedes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
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 maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisPr = 6 = = = 0.8 =
IND 5 Inferência Estatística Semestre 004.0 Teste 05/0/004 GABARITO Problema (5 pontos) Uma gulosa professora de estatística é fissurada por trufas de chocolate. Em busca da trufa ideal, ela vai provando
Leia maisAnálise de Dados em Astronomia. 3. Distribuições de Probabilidades
1 / 24 3. Distribuições de Probabilidades Análise de Dados em Astronomia 3. Distribuições de Probabilidades Laerte Sodré Jr. AGA0505, 1o. semestre 2019 introdução aula de hoje 1 2 a distribuição uniforme
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - o Ano 06 - a Fase Proposta de resolução GRUPO I. Como P A B ) P A B ) P A B), temos que: P A B ) 0,6 P A B) 0,6 P A B) 0,6 P A B) 0,4 Como P A B) P A) + P B) P A B) P A
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisTópicos Especiais em Qualidade
Tópicos Especiais em Qualidade Processos estocásticos, Distribuições de probabilidade e Ajustamento de dados Qualquer sistema real opera sempre em ambientes onde a incerteza impera, principalmente quando
Leia 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 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 maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
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 mais1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
Leia maisAnálise Bayesiana de Dados - Aplicações 1 -
Análise Bayesiana de Dados - Aplicações 1 - Márcia D Elia Branco Universidade de São Paulo Instituto de Matemática e Estatística www.ime.usp.br/ mbranco - sala 295-A - Aplicações da IB : Pressão sistólica
Leia maisMétodos Computacionais em Física I (FIW234) Turmas IFA e IFB Métodos de Monte Carlo
Métodos Computacionais em Física I (FIW234) Turmas IFA e IFB Métodos de Monte Carlo Edivaldo M. Santos e João R. T. de Mello Neto Aula 9 Edivaldo M. Santos e João R. T. de Mello Neto () Métodos Computacionais
Leia maisMATEMÁTICA A - 12o Ano N o s Complexos - Operações e simplificação de expressões
MATEMÁTICA A - 12o Ano N o s Complexos - Operações e simplificação de expressões Exercícios de exames e testes intermédios 1. Em C, conjunto dos números complexos, a expressão i + i 1 + i 2 +...i 218 é
Leia maisSimulação a Eventos Discretos. Fernando Nogueira Simulação 1
Simulação a s Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maiscarga do fio: Q. r = r p r q figura 1
Uma carga Q está distribuída uniformemente ao longo de um fio reto de comprimento infinito. Determinar o vetor campo elétrico nos pontos situados sobre uma reta perpendicular ao fio. Dados do problema
Leia maisMATEMÁTICA A - 12o Ano N o s Complexos - Operações e simplificação de expressões
MATEMÁTICA A - 1o Ano N o s Complexos - Operações e simplificação de expressões Exercícios de exames e testes intermédios 1. Na figura ao lado, estão representados, no plano complexo, uma circunferência
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 maisLista de Exercícios - V.A.s Discretas
Lista de Exercícios - V.A.s Discretas Renato Assunção - DCC, UFMG 207 Esta lista de exercícios visa ao aprendizado de algumas das características das principais distribuições de probabilidade discretas.
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 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 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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisão, Regressão & Simulação
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 09: Correlação ão, Regressão & Simulação 1/43 Pode-se pesar um urso com fita métrica? Como os ursos, em sua
Leia maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisUma variável aleatória X tem uma distribuição normal se sua fdp for do tipo:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f().e π. μ., R com - < μ < e > 0 0, 0,6 N(0; ) N(0;
Leia mais