Passeios Aleatórios. 1 Introdução. 2 Passeio aleatório em uma dimensão. Paulo Matias. 11 de outubro de 2011
|
|
- Izabel Bastos Canejo
- 5 Há anos
- Visualizações:
Transcrição
1 Passeios Aleatórios Paulo Matias 11 de outubro de 11 Resumo O passeio aleatório é um modelo muito conhecido em Mecânica Estatística, comumente identicável em diversos fenômenos da natureza. Este trabalho estuda diversas variações do problema do passeio aleatório por meio de simulações computacionais, provendo eemplos e grácos ilustrativos desse modelo. 1 Introdução Passeios aleatórios estão presentes por toda a natureza. Uma partícula de poeira vagando pelo ar, o caminho de um animal em fuga, o preço de uma ação da bolsa de valores - são diversos eemplos de fenômenos que podem ser modelados com o auílio do problema do passeio aleatório. Neste trabalho, realizamos simulações computacionais de passeios aleatórios em uma e duas dimensões. Além disso, simulamos agregação limitada por difusão (DLA) em duas e três dimensões, fenômeno no qual uma partícula vagueia em passeio aleatório até agregar-se a outras partículas já presentes no sistema, gerando fractais com formato similar a ocos de neve. Passeio aleatório em uma dimensão Os grácos da Figura 1 foram gerados por simulações computacionais do passeio aleatório de N andarilhos em uma dimensão. Passeio de N = andarilhos Posição de N =1 andarilhos em T =1 1 1 Posição (s) 1 Número de Andarilhos Passos (T) Posição (s) Figura 1: Posição em função do número de passos para um número pequeno de andarilhos, e histograma da posição de um grande número de andarilhos em T = 1. O gráco da direita da Figura 1 representa, também, a distribuição de probabilidades da posição s de um andarilho em T = 1. Foram medidos, numericamente, s, 1 e s 1,. Esses valores são coerentes com os esperados teoricamente, pois s é a soma de diversas variáveis t independentes, cada uma com t = e σ [ t ] = 1, de forma que: s = T t = t=1 s T T = σ [s] + s = σ [s] + = σ [ t ] = 1 = T t=1 t=1 1
2 s s Passos (T) 8 1 Passos (T) (a) Distribuição discreta para t (b) Distribuição contínua e uniforme para t Figura : Segundo momento de s = t em função do número de passos T, adotando-se tanto uma distribuição discreta quanto uma uniforme para t. Na Figura, pode-se observar s em função de T utilizando para t tanto a distribuição discreta quanto a uniforme. A inclinação da reta no gráco da esquerda é 1,, como esperado (pois s = T, como mostrado acima). No gráco da direita, a inclinação é de, 333, o que também é coerente com o previsto, pois neste caso σ [ t ] = 1 /3 s = T /3. 3 Passeio aleatório em duas dimensões 8 Distribuição espacial de N = moléculas em T =1 1 3 Distribuição espacial de N = moléculas em T =1 8 Distribuição espacial de N = moléculas em T = Distribuição espacial de N = moléculas em T =1 8 Distribuição espacial de N = moléculas em T =1 3 Distribuição espacial de N = moléculas em T = Figura 3: Distribuição espacial de um grande número N de moléculas realizando passeio aleatório em duas dimensões, após diversos valores de tempo T.
3 Coordenada de N =1 moléculas em T =13 Entropia em função do tempo para N =1 moléculas Entropia (S) Quantidade de moléculas (a) Histograma da coordenada 1 1 das moléculas no tempo T = 1. 1 Tempo (T) 1 (b) Entropia do sistema em função do tempo. Figura A Figura a apresenta o histograma da coordenada de diversas partículas realizando passeio aleatório em duas dimensões, no instante T = 1. A média dos valores computados numericamente foi de,, e a variância foi de 99,. A variância é a metade do caso unidimensional pois, neste caso, apenas metade dos passos aleatórios ocorrem na direção. Na Figura b, veri camos que a entropia do sistema aumenta em função do tempo. Agregação limitada por difusão (DLA) Figura : Crescimento do cluster para o DLA em D Figura : Crescimento do cluster para o DLA em 3D
4 1 DLA em dimensões. Dimensão fractal = DLA em 3 dimensões. Dimensão fractal = Massa Massa Raio Raio Figura 7: Dimensão fractal do cluster gerado pelo DLA em D e em 3D. As Figuras e mostram o crescimento do cluster gerado pelo DLA em D e em 3D. A Figura 7 mostra o gráco em escala logarítmica da massa do cluster em função do raio, também para os casos D e 3D, além de indicar a dimensão fractal em cada um dos casos, que é obtida da inclinação da reta. As barras de erro na Figura 7 são colocadas levando em conta a incerteza na contagem das partículas, que é tomada como sendo da ordem do número de partículas entre o raio atual e o raio atual mais um, já que a grade é discreta e de comprimento 1. Conclusão Foram estudados diversos problemas relacionados ao passeio aleatório, e geradas diversas visualizações ilustrativas dos problemas por meio de simulações computacionais. Vericou-se que as simulações permitem uma compreensão maior e mais palpável dos problemas abordados. A Distribuições uniformes e discretas geradas em computador A média e a variância de um conjunto de N números gerados aleatoriamente também são variáveis aleatórias, que tendem a valores os com N. Demonstraremos que o desvio padrão dessas variáveis realmente cai conforme N cresce, indicando que uma boa simulação computacional envolvendo distribuições aleatórias deve ser realizada para uma grande quantidade N de valores gerados. 1 1 e variância de N =1 sorteios Variância 1 1 e variância de N =1 sorteios Variância e 1 Figura 8: Histogramas da média e da variância de números produzidos de acordo com uma distribuição discreta { 1, 1}, para diferentes quantidades N de números gerados.
5 3 e variância de N =1 sorteios Variância e variância de N =1 sorteios Variância Figura 9: Histogramas da média e da variância de números produzidos de acordo com uma distribuição contínua, uniforme em [ 1, 1], para diferentes quantidades N de números gerados. As Figuras 8 e 9 mostram os histogramas da média e da variância para diversos conjuntos de N números aleatórios gerados, respectivamente, de acordo com uma distribuição discreta e de acordo com uma distribuição contínua e uniforme. Podemos observar que a largura dos histogramas é reduzida conforme N aumenta. Desvio padrão da média e da variância Desvio da média Desvio da variância Desvio padrão da média e da variância Desvio da média Desvio da variância Número de sorteios (N) (a) Distribuição discreta Número de sorteios (N) (b) Distribuição contínua, uniforme. Figura 1: Desvio padrão da média e da variância em função da quantidade N de números gerados. A Figura 1 mostra grácos do desvio padrão da média e da variância em função de N para ambas as distribuições. A inclinação de todas as retas na escala logarítmica é de 1 /, eceto a do desvio padrão da variância para a distribuição discreta. Isso mostra que o desvio padrão dessas variáveis, e portanto o erro de uma simulação numérica com N valores gerados aleatoriamente, decresce com 1 / N. No caso do desvio padrão da variância para a distribuição discreta { 1, 1}, temos uma reta com inclinação 1. Isso ocorre pois 1 é o único valor possível de para uma variável aleatória obedecendo a essa distribuição. Portanto, a variância de é dada por = 1. Pode-se demonstrar que σ [1 ] = ( σ [ ] ) para o caso de obedecendo a uma distribuição normal de variância σ [ ] e centrada na origem. Dessa forma, o desvio padrão da variância de será proporcional ao quadrado do desvio padrão da média de, descrescendo portanto com 1 /N e justicando a inclinação da reta.
6 Histograma para Histograma para Figura 11: Histogramas de e de para uma variável aleatória obedecendo à distribuição discreta { 1, 1}. Histograma e Distribuição de Probabilidades para 1 Histograma e Distribuição de Probabilidades para Figura 1: Histogramas e distribuições de probabilidade teóricas de e de para uma variável aleatória obedecendo à distribuição contínua e uniforme em [ 1, 1]. As Figuras 11 e 1 mostram histogramas de e de para uma variável aleatória obecendo, respectivamente, à distribuição discreta { 1, 1} e à distribuição contínua e uniforme em [ 1, 1]. Os histogramas estão dentro do esperado de acordo com as distribuições de probabilidade teóricas para essas variáveis aleatórias. Para o caso de obedecendo à distribuição uniforme, a distribuição de probabilidades para = pode ser calculada da seguinte forma: P () = 1 ˆ +1 1 d δ ( ) F () = ˆ dỹ P (ỹ) = 1 ˆ dỹ ˆ +1 1 d δ ( ) = 1 ˆ +1 1 d Θ ( ) = 1 ˆ + d = P () = d d F () = 1 Que é a distribuição plotada no gráco da direita da Figura 1, casando com o histograma apresentado na mesma gura.
Métodos 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 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 maisFísica Estatística Computacional
Física Estatística Computacional Tereza Mendes IFSC USP http://lattice.ifsc.usp.br/cbpf.html Física Estatística Computacional Vamos trabalhar com sistemas estocásticos, em que um grande número de integrantes
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-2 MetComp 2014-1 IF-UFRJ Sistemas determinísticos Os sistemas físicos podem ser: Sistemas determinísticos Descritos por
Leia maisVERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1
PREFÁCIO VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS xiii DO EXCEL... xv Capítulo 1 VARIÁVEIS E AMOSTRAS 1 VARIÁ VEIS 4 NÚMERO DE VARIÁVEIS 5 CLASSIFICAÇÃO DAS VARIÁVEIS 6 ESCALA DE MEDIÇÃO DAS VARIÁVEIS 7 POPULAÇÃO
Leia mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
Leia mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia maisExame de Ingresso na Pós-graduação
Exame de Ingresso na Pós-graduação Instituto de Física - UFF Profissional - 09 de Junho de 009 Resolva 6 (seis) questões, com pelo menos uma questão de cada uma das seções. A duração da prova é de 3 (três)
Leia maisSER-301: ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS
SER-301: ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS Bárbara Maria Giaccom Ribeiro RELATÓRIO DE ATIVIDADES LABORATÓRIO Nº 1: ANÁLISE DE PADRÕES DE PONTOS INPE São José dos Campos 2008 1 INTRODUÇÃO O Laboratório
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Avaliação 2. Matemática Aplicada II
Universidade Federal do Paraná Matemática Aplicada II Setor de Tecnologia - TC Engenharia Ambiental 214-1 Curitiba, 6.6.214 Avaliação 2 Matemática Aplicada II Tobias Bleninger Departamento de Engenharia
Leia maisSimulação Monte Carlo
Simulação Monte Carlo Nome do Prof. Fernando Saba Arbache Email do prof. fernando@arbache.com Definição Análise de risco faz parte da tomada de decisão Surgem constantemente incertezas, ambiguidades e
Leia maisDistribuições Amostrais
Estatística II Antonio Roque Aula Distribuições Amostrais O problema central da inferência estatística é como fazer afirmações sobre os parâmetros de uma população a partir de estatísticas obtidas de amostras
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 maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisLucas Santana da Cunha de junho de 2018 Londrina
Variável aleatória contínua: Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 13 de junho de 2018 Londrina 1 / 26 Esperança e variância de Y Função de distribuição acumulada
Leia maisCAPÍTULO V RESULTADOS E DISCUSSÕES
CAPÍTULO V RESULTADOS E DISCUSSÕES Neste capítulo são apresentados os resultados obtidos através do código SPECTRAL. Inicialmente é apresentada a validação do código, realizada através da solução da Equação
Leia maisPrimeira Lista de Exercícios de Biofísica II. c n
Primeira Lista de Exercícios de Biofísica II 1. Considere uma célula composta por um corpo celular ao qual está preso um longo e fino processo tubular (por exemplo, o axônio de um neurônio ou o flagelo
Leia maisVariáveis Aleatórias. Henrique Dantas Neder. April 26, Instituto de Economia - Universidade Federal de Uberlândia
Variáveis Aleatórias Henrique Dantas Neder Instituto de Economia - Universidade Federal de Uberlândia April 2, 202 VARIÁVEL ALEATÓRIA DISCRETA O conceito de variável aleatória está intrínsicamente relacionado
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 7 Distribuição da Média Amostral Leitura obrigatória: Devore: Seções 5.3, 5.4 e 5.5 Chap 8-1 Inferência Estatística Na próxima aula vamos começar a parte de inferência
Leia maisO Método de Monte Carlo
.....Universidade Federal de Santa Maria...Centro de Ciências Naturais e Exatas Grupo de Teoria da Matéria Condensada O Método de Monte Carlo Aplicações do algoritmo de Metropolis no Modelo de Ising Mateus
Leia maisDIFUSÃO CORRELACIONADA EM SISTEMAS DE GRÃOS
DIFUSÃO CORRELACIONADA EM SISTEMAS DE GRÃOS Aluno: DANIEL BYRON SOUZA P DE ANDRADE Orientador: Welles Antônio Martinez Morgado Introdução Instabilidades sugerem que a trajetória de grãos vizinhos deva
Leia mais( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:
Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) orlando.sampaio@gmail.com Celma de Oliveira Ribeiro (POLI-USP) celma@usp.br André
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 maisALUNO(A): Nº TURMA: TURNO: DATA: / / COLÉGIO:
Professor: Edney Melo ALUNO(A): Nº TURMA: TURNO: DATA: / / COLÉGIO: 1. Cálculo Diferencial Em vários ramos da ciência, é necessário algumas vezes utilizar as ferramentas básicas do cálculo, inventadas
Leia maisX = j=1 X j n. X j. Número de abortos Local TOTAL Rio Vermelho Costa da Lagoa TOTAL
Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas LCE0211 - Estatística Geral Prof.: Izabela Regina C. de Oliveira Gabarito Lista 1: 1) Resposta pessoal.
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisIntrodução às Medidas em Física 2 a Aula *
Introdução às Medidas em Física 2 a Aula * http://fge.if.usp.br/~takagui/fap0152_2010/ Marcia Takagui Ed. Ala 1 * Baseada em Suaide/ Munhoz 2006 sala 216 ramal 6811 1 Objetivos! Medidas de tempo Tempo
Leia maisFinanças Corporativas. Análise de Sensibilidade. Métodos de Avaliação de Risco. Motochoque Ltda. Análise de Risco
Finanças Corporativas Análise de Risco Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista
Leia mais2 FUNDAMENTACÃO TEÓRICA
2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação
Leia maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
Leia maisConfiabilidade de sistemas. Uma importante aplicação de probabilidade nas engenharias é no estudo da confiabilidade de sistemas.
Confiabilidade de sistemas Uma importante aplicação de probabilidade nas engenharias é no estudo da confiabilidade de sistemas. Uma definição pratica de confiabilidade corresponde à probabilidade de um
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisA SIMPLIFIED GRAVITATIONAL MODEL TO ANALYZE TEXTURE ROUGHNESS
A SIMPLIFIED GRAVITATIONAL MODEL TO ANALYZE TEXTURE ROUGHNESS Introdução Um padrão de textura é definido como uma função da variação espacial nas intensidades dos pixels Um dos mais importantes atributos
Leia maisAproximação da Distribuição Binomial pela Distribuição Normal
Aproximação da Distribuição Binomial pela Distribuição Normal Uma das utilidades da distribuição normal é que ela pode ser usada para fornecer aproximações para algumas distribuições de probabilidade discretas.
Leia maisEstatística
Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...
Leia maisFísica Geral - Laboratório. Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Física Geral - Objetivos Ao final do período, o aluno deverá ser capaz de compreender as principais
Leia maisCURSO VOCACIONAL SECUNDÁRIO 2º ANO TÉCNICO COMERCIAL NRº DO PROJETO: ENSINO SECUNDÁRIO OBJETIVOS - REPRESENTAÇÃO GEOMÉTRICA DE UMA FUNÇÃO
CURSO VOCACIONAL SECUNDÁRIO 2º ANO TÉCNICO COMERCIAL NRº DO PROJETO: ENSINO SECUNDÁRIO Ano Letivo 2016/2017 MATEMÁTICA APLICADA PLANIFICAÇÃO ANUAL Documento(s) Orientador(es): Programa de Matemática de
Leia maisCapítulo XII PROCESSOS E MODELOS DE CRESCIMENTO FRACTAL SUMÁRIO
Capítulo XII PROCESSOS E MODELOS DE CRESCIMENTO FRACTAL SUMÁRIO RESUMO...3 12. 1- Introdução...3 12. 2 - Modelos de crescimento...4 11.2.1 - Deposição Balística (Chuva de balas):...4 12. 3 - Agregação
Leia maisProfa. Lidia Rodella UFPE-CAA
Profa. Lidia Rodella UFPE-CAA O que é estatística? É conjunto de técnicas que permite, de forma sistemática, coletar, organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
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 maisIntrodução à probabilidade e à estatística II. Prof. Alexandre G Patriota Sala: 298A Site:
Introdução à probabilidade e à estatística II Revisão Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Estatística Estatística: É uma ciência que se dedica
Leia maisProcessamento de Imagens
Processamento de Imagens Introdução Mylène Christine Queiroz de Farias Departamento de Engenharia Elétrica Universidade de Brasília (UnB) Brasília, DF 70910-900 mylene@unb.br 22 de Março de 2016 Aula 03:
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia maisANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:
ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisMesa de Galton AULA 2
Mesa de Galton META: Explorar conceitos chaves da mecânica estatística e familiarizar o aluno ao problema do caminhante aleatório através de um simples instrumento. OBJETIVOS: Ao m desta aula o aluno deverá
Leia maisCapítulo 5 Distribuições de Probabilidades. Seção 5-1 Visão Geral. Visão Geral. distribuições de probabilidades discretas
Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de Probabilidade Binomial 5-4 Média, Variância e Desvio Padrão da Distribuição Binomial 5-5 A Distribuição
Leia maisE.E.M.FRANCISCO HOLANDA MONTENEGRO PLANO DE CURSO ENSINO MÉDIO
E.E.M.FRANCISCO HOLANDA MONTENEGRO PLANO DE CURSO ENSINO MÉDIO DISCIPLINA: GEOMETRIA SÉRIE: 1º ANO (B, C e D) 2015 PROFESSORES: Crislany Bezerra Moreira Dias BIM. 1º COMPETÊNCIAS/ HABILIDADES D48 - Identificar
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisFundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia. Estatística espacial. Padrão Pontual
Fundação Oswaldo Cruz Escola Nacional de Saúde Pública Departamento de Epidemiologia Estatística espacial Padrão Pontual Padrão de Pontos A análise de padrão de pontos, é o tipo mais simples de análise
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 mais2.1 Variáveis Aleatórias Discretas
4CCENDMMT02-P PROBABILIDADE E CÁLCULO DIFERENCIAL E INTEGRAL Girlan de Lira e Silva (1),José Gomes de Assis (3) Centro de Ciências Exatas e da Natureza /Departamento de Matemática /MONITORIA Resumo: Utilizamos
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #04 de Probabilidade: 26/10/2018 1 Variáveis Aleatórias Contínuas De modo informal as variáveis aleatórias são contínuas quando resultam de algum tipo
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 maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
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 Aplicada II. } Correlação e Regressão
Estatística Aplicada II } Correlação e Regressão 1 Aula de hoje } Tópicos } Correlação e Regressão } Referência } Barrow, M. Estatística para economia, contabilidade e administração. São Paulo: Ática,
Leia maisExame de Ingresso. Física Aplicada Física Computacional. Segundo Semestre de 2014
Exame de Ingresso Física Aplicada Física Computacional Segundo Semestre de 2014 Código do(a) Candidato(a): 1 2 Mecânica Figura 1: questão 1 Figura 2: questão 2 1. A Fig. 1 exibe a evolução temporal do
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisNotas de Aula. Copyright 2007 Pearson Education, Inc Publishing as Pearson Addison-Wesley.
Notas de Aula Estatística Elementar 10ª Edição by Mario F. Triola Tradução: Denis Santos Slide 1 Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de
Leia mais28/Fev/2018 Aula Aplicações das leis de Newton do movimento 4.1 Força de atrito 4.2 Força de arrastamento Exemplos.
28/Fev/2018 Aula 4 4. Aplicações das leis de Newton do movimento 4.1 Força de atrito 4.2 Força de arrastamento Exemplos 5/Mar/2018 Aula 5 5.1 Movimento circular 5.1.1 Movimento circular uniforme 5.1.2
Leia maisLista Probabilidade Estatística Aplicada à Engenharia de Produção Prof. Michel H. Montoril
Exercício 1. Seja X uma variável aleatória com distribuição normal, com média µ X = 10 e desvio padrão σ X = 1.5, e seja Y outra variável aleatória normalmente distribuída, com média µ Y = 2 e desvio padrão
Leia maisUnidade III ESTATÍSTICA. Prof. Fernando Rodrigues
Unidade III ESTATÍSTICA Prof. Fernando Rodrigues Medidas de dispersão Estudamos na unidade anterior as medidas de tendência central, que fornecem importantes informações sobre uma sequência numérica. Entretanto,
Leia mais4 ESTUDOS PRELIMINARES
79 4 ESTUDOS PRELIMINARES A metodologia da dinâmica dos fluidos computacionais foi aplicada para alguns casos simples de forma a verificar a adequação do software ANSYS CFX na resolução dos problemas descritos
Leia maisTipos de gráficos disponíveis
Tipos de gráficos disponíveis Mostrar tudo O Microsoft Office Excel 2007 oferece suporte para vários tipos de gráficos com a finalidade de ajudar a exibir dados de maneiras que sejam significativas para
Leia maisExtração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
Leia maisProf. Dr. Engenharia Ambiental, UNESP
INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
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 maisMedidas de Dispersão. Prof.: Joni Fusinato
Medidas de Dispersão Prof.: Joni Fusinato joni.fusinato@ifsc.edu.br jfusinato@gmail.com 1 Dispersão Estatística As medidas de posição (média, mediana, moda) descrevem características dos valores numéricos
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 maisO teorema central do limite de distribuições probabilísticas
O teorema central do limite de distribuições probabilísticas Há um teorema de central importância sobre o limite de distribuições probabilísticas: é o chamado teorema central do limite. Esse teorema é
Leia maisVariáveis Aleatórias Bidimensionais &Teoremas de Limite 1/22
all Variáveis Aleatórias Bidimensionais & Teoremas de Limite Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário
Leia 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 maisComo gerar uma amostra aleatória simples com o Microsoft Excel
Como gerar uma amostra aleatória simples com o Microsoft Excel Este texto complementa o conteúdo da Unidade 2 da disciplina Estatística Aplicada à Administração. Na seção 2.1 da Unidade 2 vimos a importância
Leia mais14. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas
4. Distribuição de Probabilidade para Variáveis Aleatórias Contínuas Os valores assumidos por uma variável aleatória contínua podem ser associados com medidas em uma escala contínua como, por exemplo,
Leia maisAula de Estatística 13/10 à 19/10. Capítulo 4 (pág. 155) Distribuições Discretas de Probabilidades
Aula de Estatística 13/10 à 19/10 Capítulo 4 (pág. 155) Distribuições Discretas de Probabilidades 4.1 Distribuições de probabilidades Variáveis Aleatórias Geralmente, o resultado de um experimento de probabilidades
Leia maisDistribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Explicar os conceitos gerais de estimação de
Leia mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisCapítulo 3. Introdução à Probabilidade E à Inferência Estatística
Capítulo 3 Introdução à Probabilidade E à Inferência Estatística definições e propriedades: Propriedade 5: A probabilidade condicional reflete como a probabilidade de um evento pode mudar se soubermos
Leia mais$QiOLVHGHVHQVLELOLGDGHHVWDWtVWLFD
$QiOLVHGHVHQVLELOLGDGHHVWDWtVWLFD,QWRGXomR Alguns métodos para a análise de sensibilidade e a importância destes foram apresentados no capítulo 3 O capítulo atual trata da análise de sensibilidade estatística
Leia maisPlasmas. Teoria de Partículas. Teoria Cinética. Teoria Magnetohidrodinâmica (MHD)
Plasmas Teoria de Partículas Teoria Cinética Teoria Magnetohidrodinâmica (MHD) O MÉTODO M DE SIMULAÇÃO POR PARTÍCULAS Considera-se o movimento individual das partículas do plasma sob a ação dos campos
Leia maisOndas. Lucy V. C. Assali. Física II IO
Ondas Física II 2016 - IO O que é uma onda? Qualquer sinal que é transmitido de um ponto a outro de um meio, com velocidade definida, sem que haja transporte direto de matéria. distúrbio se propaga leva
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 maisEngenharia da Qualidade. Profa. Luciana Rosa Leite
Engenharia da Qualidade Profa. Luciana Rosa Leite Unidade 1 Introdução à Engenharia Da Qualidade 1.1 Evolução da Gestão da Qualidade 1.2 Revisão de conceitos estatísticos Exercícios Evolução da Gestão
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 maisA figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Leia maisMATRIZ DE REFERÊNCIA PARA O ENEM 2009
MINISTÉRIO DA EDUCAÇÃO INSTITUTO NACIONAL DE ESTUDOS E PESQUISAS EDUCACIONAIS ANÍSIO TEIXEIRA MATRIZ DE REFERÊNCIA PARA O ENEM 2009 EIXOS COGNITIVOS (comuns a todas as áreas de conhecimento) I. Dominar
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Conceitos, Discretas, Contínuas, Propriedades Itens 5. e 6. BARBETTA, REIS e BORNIA Estatística para Cursos de Engenharia e Informática. Atlas, 004 Variável aleatória Uma variável
Leia maisCapítulo 5 Validação Numérica. 5 Validação Numérica
Capítulo 5 Validação Numérica 5 Validação Numérica Neste capítulo são mostradas as comparações das respostas numéricas e analíticas para várias condições de contorno, com o objetivo de validar numericamente
Leia maisMas, para começar a aplicar métodos estatísticos, é preciso conhecer alguns conceitos básicos.
Na Criptologia, assim como em outras ciências, são realizados estudos experimentais ou obser vacionais que resultam numa coleção de dados numéricos. O propósito da investigação é responder uma questão
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisModelagem de dados espaciais
VI Simpósio da Sociedade Brasileira de Engenharia de Avaliações Modelagem de dados espaciais José Luiz Portugal UFPE joseluiz.portugal@gmail.com Objetivos Contextualizar modelos de dados espaciais Compreender
Leia mais