SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
|
|
- Rui Cabreira Valverde
- 6 Há anos
- Visualizações:
Transcrição
1 i.e XXXIV COMPARAÇÃO ENTRE AMOSTRAGEM DESCRITIVA E MÉTODOS QUASI MONTE CARLO EM SIMULAÇÃO Gastão Coelho Gomes DME-IM/UFRJ Caixa Postal: 68530; cep:45-70; gastao@dme.ufrj.br Eduardo Saliby COPPEAD/UFRJ Caixa Postal: 6854; cep:4-00; saliby@coppead.ufrj.br Resumo: São apresentados resultados relativos ao uso de métodos de Amostragem em Simulação Monte Carlo. Foi feito um estudo comparativo para Amostragem Aleatória Simples, Amostragem Descritiva e Métodos Quasi Monte Carlo: Halton Faure e Sobol. Foram feitos experimentos variandose o número de observações e o número de dimensões da função resposta. Palavras-chave: Amostragem Descritiva; Métodos Quasi Monte Carlo; Simulação Abstract: Results concerning the use of sampling methods in Monte Carlo Simulation are presented. A comparative study, using Simple Random Sampling, Descriptive Sampling and Quasi-Monte Carlo Methods (Halton Faure e Sobol), was done. Experiments were conducted varying the number of observations (trials) and the number of dimensions of the response variable. Key-words: Descriptive Sampling; Quasi Monte Carlo Methods; Simulation - Introdução A solução de problemas usando simulação Monte Carlo é uma prática usual nas mais variadas áreas do conhecimento, sendo em muitas situações a única abordagem possível. Na simulação de um problema probabilístico, a amostragem tem um papel fundamental, sendo o caminho natural para a representação de fenômenos aleatórios. Porém, mesmo na modelagem de fenômenos aleatórios, alguns métodos amostrais determinísticos têm se mostrado mais eficientes do que a geração de seqüências pseudo-aleatórias, ao contrário do que se poderia esperar. Examinaremos aqui alguns destes métodos amostrais, com componentes determinísticos, que contribuem para o estudo da amostragem em Monte Carlo, a saber: ) A Amostragem Descritiva (AD), proposta por Saliby, que se caracteriza por uma seleção determinística dos valores e uma permutação aleatória destes valores; ) Os métodos Quasi Monte Carlo (QMC), seqüências completamente determinísticas, baseadas em propriedades algébricas que têm baixa discrepância, uma características de uniformidade. Entre as implementações mais difundidas dos métodos QMC estão as propostas por Halton, Sobol e Faure, que serão consideradas neste trabalho. O nosso objetivo é avaliar a eficiência relativa destes métodos para diferentes valores de D, a dimensão do problema. Para isso usaremos experimentos computacionais, onde o parâmetro da variável resposta, a ser estimado, é diretamente calculável. Assim fazendo, ao se estudar problemas com solução conhecida, torna-se mais simples avaliar a precisão associada a um particular método amostral.
2 - Monte Carlo O método Monte Carlo pode ser resumido em três etapas: ) gerar uma amostra, de tamanho N, num hipercubo unitário de dimensão D, [0,] D (O procedimento de extrair amostras no hipercubo unitário [0,] D é equivalente ao de se obter amostras de um domínio mais geral, onde cada componente tem distribuição com função de densidade acumulada F j, e onde o acesso à F - j pode se dar de uma maneira explicita ou aproximada) ; ) aplicar a cada ponto amostral (i=,...,n), no espaço original, uma função f:r D em R, obtendo o valor da variável resposta Y i =f(x i, X i,..., X id ) naquele ponto; 3) estimar parâmetros da distribuição da variável Y, (por exemplo, usar a média amostral, Y = ΣY i /N, como estimativa de µ Y ). 3 A Primeira Fase do Monte Carlo: Métodos de Amostragem O processo para a obtenção da amostra no hipercubo unitário pode se dar de várias maneiras. O método Monte Carlo tradicional usa Amostragem Aleatória Simples. Além dela, aqui usaremos também outros, tais como a Amostragem Descritiva e os métodos Quasi Monte Carlo. 3. Amostragem Aleatória Simples A Amostragem Aleatória Simples (AAS) é o método considerado padrão em simulação por Monte Carlo. Foi proposto com o objetivo de resolver problemas matemáticos, cuja abordagem por métodos analíticos se revelava particularmente complexa. Uma Amostra Aleatória Simples de tamanho N no espaço [0,] D é um conjunto de vetores r x i = (x i, K, x id ) gerados de forma independente, onde cada componente é sorteada com distribuição uniforme no intervalo [0,]. Se estamos estimando E(Y)=µ pela média amostral, Y =N - hx ( i ), sabemos que: E( Y )=µ e (3.) Var( Y )=E[(Y-µ) ]/N = σ /N. (3.) O estimador Y, como podemos observar, tem a propriedade de Consistência: conforme o tamanho da amostra aumenta, sua variância tende para zero. Como o erro em calcular a média, num experimento com a AAS, é σ / N, a ordem de convergência da AAS é 0.5 independente da dimensão do problema. As principais deficiências deste método são o grande esforço computacional associado a resultados de baixa precisão. Esforços em sanar estas dificuldades resultaram na procura de técnicas que tinham por objetivo a melhoria na precisão das estimativas A Amostragem Descritiva Nesta seção apresentaremos uma introdução básica à idéia de Amostragem Descritiva (AD). Uma descrição mais detalhada é feita em Saliby (8, 0a, 0b). A AD tem como objetivo eliminar a variação do conjunto de valores de entrada e, como conseqüência, reduzir a variância das estimativas. A AAS usada em Monte Carlo, ao tentar reproduzir um comportamento aleatório, leva a erros amostrais elevados, produzindo resultados pobres, isto é, estimativas com alta variabilidade. Como uma melhor e mais apropriada alternativa para a amostragem por Monte Carlo, Saliby propôs a Amostragem Descritiva (AD) em lugar da tradicional AAS. A principal característica dessa nova abordagem é que a AD está baseada na seleção proposital e determinística dos valores de entrada, permanecendo aleatória somente a ordenação desses valores. Entre os dois tipos de componentes aleatórios existentes em uma amostra aleatória simples, um está relacionado com o conjunto de valores e o outro com sua seqüência aleatória. Mas, desses dois componentes, somente a seqüência de valores é realmente requerida que seja aleatória, enquanto
3 que a variação do conjunto de valores é, de acordo com Saliby, uma característica desnecessária para produzir o efeito da casualidade; quando presente, esta variabilidade infla desnecessariamente a variância das estimativas. Simbolicamente, os dois métodos podem ser representados como: AAS = conjunto aleatório com seqüência aleatória AD = conjunto determinístico com seqüência aleatória A AD faz um controle da amostra através de uma espécie de estratificação, onde os pontos dentro de cada estrato (os estratos são minihipercubos equiprováveis com volume /N D ) são escolhidos deterministicamente como sendo os centros desses minihipercubos, que, por sua vez, são selecionados com um certo controle. Resulta que o cálculo da j-ésima coordenada do ponto X i pode ser feito a partir da expressão: p ij 0.5 Xij = F j i =,..., N e j =,..., D (3.3) N onde: ) para cada j fixado, j=,...,d, os p ij formam uma permutação aleatória de {,,...,N}; ) F j é a função de distribuição acumulada da v.a. X j, que nos permite retornar ao espaço original Quasi Monte Carlo Outra alternativa são os métodos Quasi Monte Carlo (QMC), seqüências completamente determinísticas, baseadas em propriedades algébricas que geram características da distribuição uniforme. Neste trabalho usaremos, em experimentos computacionais, os métodos propostos por Halton, Sobol e Faure. Uma maior discussão destes métodos podem ser encontradas originalmente nos artigos de Halton [7]; Halton e Smith [8]; Faure [4];Sobol [7 e 8] e de uma maneira comparativa nos artigos de Morokoff e Caflisch[ e 0] e Niederreiter[ e ]. Uma breve descrição destes métodos pode ser iniciada pela seqüência de Halton em uma dimensão, baseada na escolha de um número primo p e na expansão de cada um dos inteiros 0,,,...,N- na base p. O i-ésimo termo da seqüência é dado por uma expressão do tipo: t = a 0 a a a m i L + m+, (3.4) p p p p onde, os a j são inteiros obtidos pela expansão de i- na base p: [i-] p = a m a m-...a a 0 ; e X i = F - (t i ). Exemplo: p=3, os primeiros 5 termos da série são: Ordem na série N- em base Decomposição 0/3 /3 /3 / / / / / / /7+ /7+ /7 /7+ /7+ /7+ +0/3 +/3 +/3 +0/3 +/3 +/3 0/+ 0/+ +0/ /+ /+ /+ Série /3 7 / /3 7 A seqüência de números está formada em ciclos de p em p termos crescentes com denominador p n até começar a seqüência de ciclos com o denominador p n+. 0/3 4 7 /3 3 7 /3 7 3
4 Uma seqüência de Halton de dimensão D é gerada através de D seqüências unidimensionais onde as bases geradoras de cada seqüência são números primos entre si. Geralmente estas D bases geradoras são escolhidas como os primeiros D números primos. A seqüência de Sobol usa somente o primo p= como base geradora. Ela é gerada de forma que os m primeiros termos de cada dimensão, para m=0,,,..., sejam uma permutação de uma seqüência de Halton com p=. A propriedade de uniformidade da seqüência D-dimensional depende da escolha das permutações. A seqüência de Faure é gerada como a de Sobol, sendo também uma permutação dos termos de uma seqüência de Halton, mas agora com a base geradora sendo o menor número primo maior do que D, isto é, se o primo for p(d), então cada dimensão da seqüência de Faure é gerada de tal forma a que os primeiros [p(d)] m termos, para m=0,,,..., sejam uma permutação dos correspondentes termos da seqüência de Halton de base geradora p(d). 4 - Implementação dos programas Todos os algoritmos foram implementados em Pascal: A implementação dos métodos de Halton e Faure foi feita com base em uma adaptação das idéias do artigo de Fox [5]. A implementação do método de Sobol baseou-se em uma adaptação do artigo de Bratley & Fox []. Para a AD foi reformulado um algoritmo de Saliby, controlando melhor o armazenamento em memória, e assim possibilitando a realização de corridas com N s maiores, independentemente da dimensão do problema, pois para cada dimensão os N valores foram permutados, armazenados em disco e eliminados, desocupando memória. Em cada uma das implementações dos métodos QMC, a geração de um novo elemento da seqüência depende dos termos que o antecedem. Os pontos D-dimensionais da seqüência são então gerados através de chamadas de um procedimento específico, para cada um dos três métodos: HALTON, FAURE, SOBOL. Antes destas funções serem chamadas a primeira vez, todas as variáveis iniciais são checadas. A dimensão, D, foi limitada no máximo em 40. Em um dos nossos experimentos computacionais descritos abaixo, a saber, o problema do cálculo da integral, as nossas implementações dos métodos QMC geraram os mesmos resultados que constam nos artigos de Bratley & Fox [] e Fox,[5] para D={4,7,3,0,5,40} e N={500, 000, 7000, 0000, 40000, 00000}. Isto nos dá uma segurança com relação a possíveis erros de programação. 5 - Os dois problemas estudados 5. A função da Integral D&R O primeiro problema escolhido para teste é o cálculo de uma integral múltipla, ver Davis e Rabinowitz [3, pag.406], usada em vários outros trabalhos, como por exemplo [], [5] e [0]. O integrando é o produto do valor absoluto de transformações lineares de variáveis aleatórias independentes e identicamente distribuídas uniformemente no intervalo [0,]. = D µ K 4X j - dx...dx D (5.) 0 0 j= Observamos como característica dessa função, que: ) para valores de x r =(x,..,x D ) próximos do vetor 0 r = (0,...,0) ou do vetor r = (,...,) o resultado será, um valor alto se D for grande, podendo ser no limite D ; ) para x r =(x,..,x D ) próximo do vetor. 5 r = (0.5,...,0.5) o valor da função será próximo de zero; 3) Para D grande a distribuição dos Y i s apresenta muitos valores discrepantes. Para visualizarmos esta situação ao longo de vários valores de D. Simulamos, para cada D apresentado na figura (), 00 observações no hipercubo [0,] D que foram organizadas num "box plot". 4
5 D= D= D=3 D=4 D=5 D=8 D=0 D=5 D=0 D=30 D=40 D=50 Figura: Box Plot de uma simulação da distribuição de Y i = f(x i,...,x id ) = Os parâmetros E(Y) e Var(Y) foram calculados: 4 E(Y) = e Var(Y) = 3 D D j= 4X ij -, i =,...,N (5.) 5. Valor Esperado da Amplitude de uma amostra uniforme O segundo problema escolhido para teste é o de calcular a média da amplitude de uma amostra uniforme, ou seja a diferença entre o máximo e o mínimo de um conjunto de D v.a.'s Unif.[0,]. A amplitude tem a característica de assumir valores próximos de quando a dimensão da amostra for grande. Sejam X,...,X D v.a. independentes e identicamente distribuídas como Unif.[0,] e, X () = mín.{x,...,x D } e X (D) = máx.{x,...,x D }. A amplitude é a v.a.: Y = f(x,...,x D ) = X (D) - X () (5.3) Os parâmetros E(Y) e Var(Y) foram calculados: D (D ) E(Y) = e Var(Y)= (5.4) D + (D + ) (D + ) 6 - O Experimento Com o objetivo de obter uma formulação matemática que nos permita comparar o desempenho de diferentes métodos para um D fixo, vamos estabelecer uma relação linear entre o logaritmo do erro e o logaritmo de N, o tamanho da amostra, que pode ser empiricamente verificável: erro = c N -b (6.) Se aplicarmos a função ln, logaritmo neperiano, à equação (6.) acima, obteremos: = ln(c) - b = a - b (6.) O erro, na estimação do parâmetro θ, está sendo quantificado pela raiz quadrada da estimativa do erro médio quadrático, num experimento de 50 corridas, para cada N. Assim: erro(θ)= 50 i= 50 (θ θˆ Através desse artifício, para um D fixo, cada método poderá ser representado por uma reta no plano versus e a inclinação dessa reta nos fornece informação útil sobre a taxa de convergência daquele método. Realizamos experimentos computacionais para cada um dos dois problemas aqui considerados: a Integral e a Amplitude para cada um dos cinco métodos: AAS, AD, Halton, Faure e Sobol. Para efeito dessa comparação foram consideradas quatro dimensões, D: 5, 0, 0 e 30 e foram escolhidos 30 valores de N, entre 000 e 00000, com igual espaçamento na escala logarítmica ( N =000, N =7, i ) (6.3) 5
6 N 3 =374,..., N =8536, N 30 =00000). A razão de usarmos igual espaçamento na escala do ln e não diretamente na escala de N, é fazer com esses N i cresçam em progressão geométrica, o que corresponde a um igual espaçamento dos ln(n i ). Para cada método e cada D será exibido um gráfico, ajustado por mínimos quadrados a partir de 30 pares de pontos (X, Y), onde X= e Y=. Em cada um desses gráficos aparece também, para comparação, a reta teórica correspondente à AAS, que foi obtida a partir do fato conhecido de que a sua ordem de convergência é b = e passando por um determinado ponto: No caso da estimativa da média amostral, como conhecemos a variância nos dois exemplos e como Y é uma estimativa não tendenciosa de µ, teremos que: erro=σ/ N, onde σ é uma função de D que foi calculado; para cada um dos dois problemas, integral e amplitude, como a Var(Y), usando respectivamente as, equações (5.) e (5.4). Assim, obtivemos um ponto da reta, como por exemplo, (ln(000), ln( σ/ 000 )); No caso do cálculo da estimativa do desvio padrão, como não conhecemos sua variância o ponto ln( N), ln(erro(n)) usando-se AAS para cada valor de D. escolhido foi ( ) Estratégia : A primeira tentativa de geração dos experimentos QMC foi feita, da seguinte maneira: Para cada i, foram agregados aos N i pontos já existentes mais (N i+ - N i ) novos pontos. Assim só foi necessário gerar pontos da seqüência. Com este procedimento, observamos que o ajuste por uma linha reta em muitos dos experimentos revelou-se inadequado e este desajuste se deve ao fato de reusarmos os pontos a cada passo, gerando observações interdependentes do erro. Estratégia : Optamos então por não usar os pontos anteriores, gerando uma seqüência para cada corrida de = 30 N i i sendo ao fim de cada N i o processo reinicializado. Estratégia 3: Com o objetivo de minimizar a variabilidade, como foi feito com os métodos com características aleatórias, extraímos informação de várias corridas e adicionamos os benefícios adquiridos na estratégia, através de uma seqüência prolongada. Para cada método QMC construímos corridas desta maneira, gerando uma seqüência final de (50 = N i ) termos D dimensionais. Para cada problema e uma vez fixado um parâmetro relativo a esse problema, todos os gráficos correspondentes estão em uma mesma página (figura). Em cada uma dessas páginas foi tomado o cuidado de mantermos a mesma escala para todos os gráficos, possibilitando assim a comparação direta dos erros causados por cada um destes métodos amostrais, em cada uma das dimensões consideradas. Para cada um dos dois problemas, Integral e Amplitude, estimamos os parâmetros µ e σ, média e desvio padrão, pelas suas respectivas estimativas amostrais, que são: N Yi µˆ = ; N i= i N σ ˆ = (Yi - Y) ; N As figuras e são referentes ao estudo da média respectivamente dos problemas da Integral e da Amplitude. Cada figura apresenta os cinco métodos amostrais: AAS, AD, Halton, Faure e Sobol; Para cada método avaliamos as quatro dimensões: 5,0,0,30. Em cada caso associamos também a estimativa de b (equação (6.)), a ordem de convergência. i= 6
7 Figura - : AMPLITUDE - MÉDIA AAS AD Halton Faure Sobol 7
8 Figura - : INTEGRAL - MÉDIA AAS AD D=05; b = D=0; b = -0.5 D=05; b = D=0; b = D=0; b = D=30; b = D=0; b = D=30; b = Halton Faure D=05; b = -0. D=0; b = D=05; b = -0.3 D=0; b = D=0; b = D=30; b = D=0; b = D=30; b = -0.3 D=05; b = Sobol D=0; b = D=0; b = D=30; b =
9 7 - Comparação dos Métodos Amostrais Das figuras e podemos observar que: De uma maneira geral, depois de ter usado a estratégia 3, a relação empírica funcionou bem e o ajuste de mínimos quadrados mostrou-se adequado; Quanto à AAS, a reta teórica e a correspondente à das simulações coincidiram, com exceção do problema da integral em dimensão alta (D=0 e D=30); A AD se mostra melhor do que a AAS nos dois problemas para o cálculo da média. Vale ressaltar que, no caso da integral, em dimensão alta, D=0 e mais fortemente D=30, tanto para a AAS como para a AD, as retas ajustadas têm inclinação expressivamente diferente de -0.5, devido ao comportamento atípico da própria função envolvida quando D é grande; Os métodos de Faure e Halton apresentaram, em muitas situações, resultados piores que o correspondente ao da AAS, geralmente para dimensões mais elevadas. Para estes métodos amostrais, quando D=0 e principalmente quando D=5, os resultados apresentaram erros menores que a AAS. Em geral para os métodos QMC, para D=5 os resultados apresentaram uma superioridade considerável com respeito aos demais métodos; O método de Sobol se mostrou melhor em todas as situações. Para comparar a AD com a AAS, além das figuras e, que mostram os erros associados a cada um dos métodos, verificamos variabilidade destes procedimentos amostrais através da razão dos desvios padrão correspondentes às 50 rodadas de cada experimento. Os resultados estão apresentados na tabela.
10 N D para Integral D&R D para Amplitude Tabela: Razão dos desvios padrão da AD e da AAS Observamos que no exemplo da Amplitude a variabilidade da AD é, com exceção de valores quando D=0, sempre menor, razão dos desvio padrão menor que. No caso da Integral já 36 dentre os 0 experimentos apresentaram razões maiores do que, sendo localizados geralmente em dimensões maiores. Organizamos estes valores em boxplots para cada dimensão na figura 3. 0
11 Amplitude Integral D=05 D=0 D=0 D=30 D=05 D=0 D=0 D=30 Figura 3: Razão dos desvios padrão agrupadas por dimensão Assim, a melhora decorrente dos métodos QMC é mais significativa para dimensões baixas e vai perdendo sua eficiência com o aumento da dimensão. 8 - Conclusão: Comparamos neste trabalho alguns tipos de amostragem em Monte Carlo com filosofias diferentes: determinísticas, com componentes aleatórias e completamente aleatórias. Para este fim, no caso dos métodos QMC, com objetivo de padronizar as comparações, usamos três estratégias de trabalho sendo que cada uma delas representa um aperfeiçoamento da anterior. Isto exigiu que o comprimento da seqüência correspondente a cada uma destas estratégias fosse se tornando cada vez maior. Optamos por uma abordagem empírica e para propositadamente ampliar as dificuldades envolvidas na realização desta comparação escolhemos dois problemas aos quais correspondem funções que geram valores atípicos. Estes problemas têm também a peculiaridade de que nestes dois casos é possível calcular diretamente os valores dos parâmetros de interesse, o que na realidade é um pouco artificial, embora conveniente, pois torna a avaliação do erro mais simples e precisa. O que ficou claro a partir da abordagem empírica envolvendo estes dois problemas é que, em geral: Sobol e AD revelaram-se os métodos mais eficientes. Faure e Halton tiveram um desempenho inferior para D alto. Embora este desempenho seja bom em baixas dimensões, esta vantagem se perde com o aumento da dimensão. A taxa de convergência dos métodos QMC é acentuada para D baixo (até D=0) chegando próximo de -. À medida em que D aumenta, a taxa de convergência piora, sendo em algumas situações até menor do que 0.5 em valor absoluto (taxa de convergência da AAS). Dado o grau de stress embutido nos dois problemas aqui considerados, acreditamos que as conclusões acima sejam também extensíveis a outros problemas.
12 - Referências:. Bratley, P. & Fox, B.L.. (88), Algorithm 65: Implementing Sobol s Quasirandom Sequence Generator, ACM Transactions on Mathematical Software,4:, p Bratley, P. ; Fox, B.L. & Niederriter, H. (4), Algorithm 738: Programs to Generate Niederreiter s Low-Discrepancy Sequences, ACM Transactions on Mathematical Software 0:4, Davis, P.J. & Rabinowitz, P..(83) "Methods of Numerical Integration", Academic Press, New York. 4. Faure, H. (8), Discrépance de Suites Associée à un système de numération (en dimension s) - ACTA Arithmetica XLI, Fox, B.L.. (86), Algorithm 647: Implementation and Relative Efficiency of Quasirandom Sequence Generators, ACM Transactions on Mathematical Software,:4, p Gomes, G.C.(000), Em Busca de Propriedades Estatísticas para a Amostragem Descritiva e Comparações com Outros Métodos Amostrais em Simula,cão por Monte Carlo, COPPE/UFRJ, Tese de Doutorado. 7. Halton, J.H. (60), On the efficiency of certain quasi-random sequences of points in evaluating multi-dimensinal integrals, Numerische Mathematik, Halton, J.H. & Smith, G.B. (64), Algorithm 47: Radical-Inverse Quasi-random Point Sequence [G5], Communications of the ACM 7: Morokoff, W.J.; Caflisch, R.E.; (4), Quasi-Monte Carlo Sequences and their Discrepancies, SIAM J.Sci. Comput. 5:6, Morokoff, W.J.; Caflisch, R.E.; (5), Quasi-Monte Carlo Integration, Technical Report, Mathematics Department, UCLA.. Niederreiter, H. (78), Quasi-Monte Carlo Methods and Pseudo-Random Numbers, Boll. of The American Mathematical Society 84:6, Niederreiter, H. (), Random Number Generation and Quasi-Monte Carlo Methods, CBMS-NSF Regional Conference Series in Applied Math. 63, SIAM. 3. Saliby, E. (8), Repensando a Simulação: A Amostragem Descritiva. Ed. Atlas/EDUFRJ. 4. Saliby, E. (0), Descriptive Sampling: a better approach to Monte Carlo Simulation - Journal of the Operational Research Society, V.4-N., pp Saliby, E. (0), Understanding the variability of simulation results: an empirical study - Journal of the Operational Research Society, V.4-N.4, pp Saliby, E. (7), Descriptive Sampling: an improvement over Latin Hypercube Sampling - WSC. 7. Sobol, I.M. (76), Uniformly Distributed Sequences with an Additional Uniform Property, U.S.S.R. Computational Math. and Math.Phys. 6:5, Sobol, I.M. (7), On the Systematic Search in a Hypercube, SIAM J. Numer. Anal.. 6:5,
, logo, para se obter uma boa precisão seria necessário aumentar, e muito, o número de
2. Simulação de Monte Carlo A Simulação de Monte Carlo (SMC) é um método numérico que utiliza um gerador de números aleatórios para simular possíveis valores da variável de interesse e assim obter a estimativa
Leia maisAutores: Herbert Bento Faria, Sérgio de Melo e Souza e Eduardo Saliby RESUMO
1 Análise de Risco: uma comparação de diferentes métodos de amostragem Autores: Herbert Bento Faria, Sérgio de Melo e Souza e Eduardo Saliby RESUMO A análise de risco busca avaliar o impacto de incertezas
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 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 mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia mais6 Simulação de Monte Carlo - Visão Geral
6 imulação de Monte Carlo - Visão Geral 6.1 Introdução Com a evolução da tecnologia, os métodos numéricos tornaram-se uma importante ferramenta na resolução de problemas nas diversas áreas de conhecimento,
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 COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
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 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 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 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 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 Somas aleatórias Aula de hoje Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Simulação de Sistemas Discretos É
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 maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisCOMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA
COMPORTAMENTO ASSITÓTICO DE ESTIMADORES DE MÁXIMA VEROSSIMILHANÇA Felipe Matheus Gonçalves Costa (1); Divanilda Maia Esteves (2) 1 Universidade Estadual da Paraíba; felipematheusem@hotmail.com.br 2 Universidade
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 maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Noções básicasb de Inferência Estatística descritiva inferencial População - Parâmetros desconhecidos (reais) Amostra
Leia maisDISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia
ROTEIRO 1. Introdução; DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL. Teorema Central do Limite; 3. Conceitos de estimação pontual; 4. Métodos de estimação pontual; 5. Referências. 1 POPULAÇÃO E AMOSTRA População:
Leia maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
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 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 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 maisAmostra Aleatória Simples
Amostra Aleatória Simples Airlane Pereira Alencar 4 de Abril de 2018 Alencar, A.P. (IME-USP) Amostra Aleatória Simples 4 de Abril de 2018 1 / 34 Definições e Notações Notações População ou Universo U =
Leia maisCOS767 - Modelagem e Análise Aula 3 - Simulação
COS767 - Modelagem e Análise Aula 3 - Simulação Validando resultados da simulação Média e variância amostral Teorema do Limite Central Intervalo de confiança Organizando as execuções da simulação Verificando
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 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 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 maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia 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 maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Amostragem estratificada Divisão da população em
Leia maisRedução de Variância: Amostragem Antitética
Redução de Variância: Amostragem Antitética Frederico Almeida & Guilherme Aguilar Universidade Federal de Minas Gerais September 20, 2018 Frederico Almeida & Guilherme Aguilar (ICEX - UFMG) Redução de
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 mais6 Geração de Cenários
6 Geração de Cenários O planejamento do setor elétrico para operações hidrotérmicas de longo prazo de cada subsistema, atualmente, está fundamentado na avaliação dos resultados da simulação de diversos
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisFigura 3.1 Esquema do Processo Bootstrap Fonte: Adaptado de SOUZA (1997)
O é uma técnica estatística não paramétrica computacionalmente intensiva de reamostragem, introduzida por EFRON (1979), e tem como finalidade obter informações de características da distribuição de alguma
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 maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisCap. 4 - Estimação por Intervalo
Cap. 4 - Estimação por Intervalo Amostragem e inferência estatística População: consiste na totalidade das observações em que estamos interessados. Nº de observações na população é denominado tamanho=n.
Leia mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
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 maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Estimação de Parâmetros O objetivo da Estatística Indutiva é tirar conclusões probabilísticas sobre aspectos da população,
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisRef: H.Gould e J. Tobochnik. Para integrais em uma dimensão as regras do trapezóide e de Simpson são
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
Leia maisAULA 02 Distribuição de Probabilidade Normal
1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisAula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
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 maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
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 maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia mais5 Definição da Árvore de Cenários
5 Definição da Árvore de Cenários 5.1. Considerações Iniciais Com o intuito de propor um método para definir a sub-árvore a ser visitada durante o processo do cálculo da estratégia ótima de operação, de
Leia maisEspecialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
Leia maisUm Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística
XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de Novembro de 006 Um Estudo do Comportamento dos Gráficos de Controle Construídos Via Metodologia de Geoestatística Fabiane Renata de Santana Yassukawa (UFMG) fabianesy@yahoo.com.br
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 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 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 maisTécnicas Computacionais em Probabilidade e Estatística I
c Técnicas Computacionais em Probabilidade e Estatística I Aula Chang Chiann MAE 5704- IME/SP º Sem/008 Slide c chang; /4/008 Simulação Estática Obetivo: Em análise estatística de dados, modelos estocásticos
Leia 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 maisRedes Complexas Aula 7
Redes Complexas Aula 7 Aula retrasada Lei de potência Distribuição Zeta Propriedades Distribuição Zipf Exemplo Wikipedia Aula de hoje Distribuição de Pareto Medindo lei de potência Estimando expoente Exemplos
Leia maisAula 6. Aula de hoje. Aula passada
Aula 6 Aula passada Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança Aula de hoje Método de Monte Carlo Estimando somatórios Calculando erro Estimando
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
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 mais9DOXHDW5LVNHUHWRUQRGHXPLQYHVWLPHQWR
9DOXHDWLVNHUHWRUQRGHXPLQYHVWLPHQWR O Value at Risk (VaR) é um método de mensuração de risco de mercado que utiliza técnicas estatísticas amplamente difundidas. De outra forma o VaR mede a pior perda esperada
Leia maisEstimadores, pontual e intervalar, para dados com censuras intervalar
Estimadores, pontual e intervalar, para dados com censuras intervalar Débora Ohara, Estela Maris Pereira Bereta, Teresa Cristina Martins Dias Resumo Dados com censura intervalar ocorrem com frequência
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 maisPlanejamento de Experimentos Experimento com um fator aleatório
1 / 12 Planejamento de Experimentos Experimento com um fator aleatório Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 12 Modelo Estatístico para Efeitos Fixos Y ij = µ + τ i + ɛ ij em que
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisUNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO COPPEAD DE ADMINISTRAÇÃO. Jaqueline Terra Moura Marins. Ensaios sobre a Aplicação de
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO COPPEAD DE ADMINISTRAÇÃO Jaqueline Terra Moura Marins Ensaios sobre a Aplicação de Técnicas de Redução de Variância em Simulação Monte Carlo para a Avaliação
Leia maisBOOTSTRAP. - APLICAÇÃO DO MB: podem ser aplicados quando existe, ou não, um modelo probabilístico bem definido para os dados.
OOTSTRAP INTRODUÇÃO - IDEIA ÁSICA: reamostrar de um conjunto de dados, diretamente ou via um modelo ajustado, a fim de criar replicas dos dados, a partir das quais podemos avaliar a variabilidade de quantidades
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 maisPUC-GOIÁS - Departamento de Computação
PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de
Leia maisétodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros - parte I 2012/02 1 Introdução 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Entender estimação de parâmetros de uma distribuição
Leia mais5 Propagação de Incertezas
5 Propagação de Incertezas Grande parte dos modelos hoje investigados estão sujeitos a incertezas, sejam estas nos parâmetros ou nas condições de contorno. Assim, para um modelo ser uma boa representação
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisO Algoritmo Talus para Otimização Global
O Algoritmo Talus para Otimização Global André Leite Luís Henrique de Santana Programa de Pós-Graduação em Eng. Elétrica Programa de Pós-Graduação em Eng. de Produção leite.andre@gmail.com santanalh@ahoo.com.br
Leia maisMétodos Quantitativos para Ciência da Computação Experimental
Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão
Leia maisANÁLISE DE RESULTADOS
ANÁLISE DE RESULTADOS Conteúdo 2 1. Planejamento de Experimentos 2. Introdução Medidas de Desempenho Análise Estatística dos Resultados Comparação de Resultados Procedimento para análise de resultados
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisEduardo Saliby * * Corresponding author / autor para quem as correspondências devem ser encaminhadas. Resumo
versão impressa ISSN 0101-7438 / versão online ISSN 1678-5142 AMOSTRAGEM DESCRITIVA NO APREÇAMENTO DE OPÇÕES EUROPÉIAS ATRAVÉS DE SIMULAÇÃO MONTE CARLO: O EFEITO DA DIMENSIONALIDADE E DA PROBABILIDADE
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisMATRIZ DE REFERÊNCIA-Ensino Médio Componente Curricular: Matemática
MATRIZ DE REFERÊNCIA-Ensino Médio Componente Curricular: Matemática Conteúdos I - Conjuntos:. Representação e relação de pertinência;. Tipos de conjuntos;. Subconjuntos;. Inclusão;. Operações com conjuntos;.
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 maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
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 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 Métodos de Monte Carlo baseados em Cadeias de Markov:
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 maisUNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Tarciana Liberal MEDIDAS DE DISPERSÃO As medidas de posição apresentadas fornecem a informação dos dados apenas a nível pontual,
Leia mais7 Análise de Desempenho dos Gráficos EWMA para o Controle Estatístico da Dispersão
7 Análise de Desempenho dos Gráficos EWMA para o Controle Estatístico da Dispersão Neste capítulo são obtidos os projetos ótimos e as medidas de desempenho dos gráficos de controle de grupos de EWMA projetados
Leia mais