1) Deseja-se usar o algoritmo de rejeição para simular de uma v.a. normal positiva, cuja densidade é dada por. 2 x > 0.
|
|
- Thalita Borba
- 4 Há anos
- Visualizações:
Transcrição
1 MAE Análise de Dados e Simulação - o semestre de 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 f(x) 2 π e x2 /2 x > 0. Foram propostas duas densidades: i) g (x) e x, x > 0 (exponencial) ii) q 2 (x) xe x, x > 0 (gama) a) Verifique a possibilidade de usar o algoritmo nas duas situações. Solução: O método de rejeição é dado por f(x) g (x) C em que C Max ( f(x) g(x) ). Assim, para o caso i), Derivando f(x) g (x) ( ) f(x) C Max g (x) ( ) 2 /2+x Max π e x2. e igualando a zero verificaremos que o ponto de máximo é x. Para o caso ii), teremos que ( ) 2 /2+x C Max π x e x2. Derivando f(x) g 2 (x) expressão: e igualando a zero e igualando a zero encontraremos a seguinte ( /2+x x e x2 x ) x + 0. Observe que essa expressão só será igual a zero se ( x x + ) 0. No entanto, essa equação não possui raiz real e assim não podemos aplicar o método de rejeição. b) No caso do algoritmo ser adequado, obtenha o número médio esperado de iterações. Solução: No caso i), o número médio esperado de iterações é C 2 π e/2.
2 2 2) Seja (X, Y ) um vetor aleatório continuo com função de densidade de probabilidade conjunta f XY (x, y) mostre que: a) E[X] E[E[X Y ]] Solução: E[X] E[E[X Y ]] y y x x x E X Y (X Y y)f Y (y)dy ( ) xf X Y (x y)dx f Y (y)dy x x f X Y (x y)f Y (y)dydx y x f X,Y (x, y)dydx y xf X (x)dx b) V ar[x] E(V ar[x Y ]) + V ar[e[x Y ]] Solução: Sabendo que E[V ar[x Y ]] E [ E[X 2 Y ] E[X Y ] 2] E[E[X 2 Y ]] E[E[X Y ] 2 ] E[X 2 ] E[E[X Y ] 2 ] e V ar[e[x Y ]] E[E[X Y ] 2 ] E[E[X Y ]] 2 E[E[X Y ] 2 ] E[X] 2 Somando as duas expressões teremos que: V [X] E[X 2 ] E[E[X Y ] 2 ] + E[E[X Y ] 2 ] E[X] 2 E[X 2 ] E[X] 2
3 3 3) Ônibus chegam a um evento esportivo de acordo com um PPH com taxa 5 por hora. Cada ônibus pode conter 20, 2, 22,, 40 torcedores com igual probabilidade, independentemente do ônibus. a) Descreva um algoritmo para simular o número de torcedores que chegam ao evento até o tempo t hora. Solução: i) Gere um processo de poisson homogêneo,n(t), com o tempo variando até hora e com taxa 5 chegadas por hora. No caso, gere um valor de N(t) poisson(5t) com t. ii) Gere uma amostra de tamanho N(t) de uma uniforme discreta, X, no espaço {20, 2,, 40 de modo a obter um vetor X {X, X 2,, X N(t) iii) Faça o número de torcedores que chegam ao evento,n Torcedores, igual a soma N(t) dos elementos de X, ou seja, N Torcedores X k. b) Escreva um programa no R e obtenha 500 réplicas do processo, isto é, 500 valores da v.a. números de torcedores. Apresente o box-plot desses valores e as estatísticas resumos. torcedores. k Compare com o verdadeiro número esperado de Solução O número de torcedores que chega ao evento é dado por, N(t) T j em que X j U{20, 2,, 40, cujo a média é E[X j ] µ , e N(t) P P H com taxa de 5 ônibus por hora com o tempo variando até hora. Ou seja, N() P oisson(5). Assim, X j E(T N() n) E ( N(t) X j N() n ) j E ( n ) X j j µ nµ. j E ( ) X j Portanto E(T N() n) N()µ e o valor esperado do número de torcedores é, E(T ) E(E(T N() n)) E(N()µ) µe(n()) j
4 4 Na tabela temos as estatísticas resumo para uma amostra de tamanho 500. Min o Q Mediana Média 3 o Q Max Box-plot dos dados: Código: #Maneira t <- lambda <- 5 N_Torced <- numeric(500) for( i in :500){ Nt <- rpois(,lambda*t) X <- sample(20:40,nt,replace T) N_Torced[i] <- sum(x) mean(n_torcedores); var(n_torcedores) # Maneira 2 N_Torced2 <- replicate(500,sum(sample(20:40,rpois(,lambda*t),replace T))) mean(n_torced2); var(n_torced2)
5 5 c) Obtenha o valor verdadeiro para variância do número de torcedores. Apresente uma estimativa dessa variância via simulação, usando o programa anterior. Solução Sabendo que a variância de X é (40 20+) e que a variância de T N() é N() V ar(t N() n) V ar( X j N() n) V ar( j X j ), por independência j V ar(x j ) j n 22 2 A variância do número de torcedores que chegam ao evento, T, é dada por, V (T ) V ar(e(t N() n)) + E(V ar(t N() n)) V ar(30n()) + E(N() 22 ) O valor obtido com a simulação foi , que é um valor próximo do valor real. 4) Escreva um programa para gerar as primeiras 0 chegadas de um PPNH com funções intensidade λ(t) t + Descreva o algoritmo. Apresente os códigos do R utilizados para implementar o algoritmo e os tempos de chegadas simulados.
6 6 Solução: O algoritmo para gerar o PPNH é i) t 0, I 0 ii) Gere um número aleatório U. iii) Faça t t λ log(u). iv) Gere um número aleatório U. v) Se U λ(t), faça I I +, S(I) t. λ vi) Retorne ao passo ii) até que I 0. em que λ(t) é a função de intensidade, λ é um valor tal que λ(t) λ, I é o número de eventos e S(),, S(I) são os tempos dos eventos. Para esta questão temos que, λ(t) t+ e λ 7. Código: t <- 0 ; I <- 0 lambda <- 7 S <- numeric(0) while(i < 0) { U <- runif(2) t t - log(u[])/lambda if(u[2] < (3 + 4/(t + ))/lambda){ I I + ; S[I] t Evento Tempo de ocorrência
7 7 5) Suponha que trabalhos chegam a um sistema com um único servidor de acordo com um PPNH cuja taxa é inicialmente 4 por hora, depois aumenta constantemente até obter a taxa de 9 por hora depois de 5 horas, e então decresce constantemente até obter a taxa de 4 por hora depois de mais 5 horas adicionais. Assim, o processo continua sucessivamente de forma que λ(t + 0) λ(t). Suponha que o tempo de serviço tem distribuição exponencial com taxa 25 por hora. Implemente um programa em R para determinar o tempo médio em que o servidor não está operando nas primeiras 00 horas, ou seja, quando não existe nenhum trabalho na fila. Utilize 500 simulações e interprete a saída do programa. Solução: Primeiramente, precisamos criar um algoritmo para simular do processo de Poisson não homogêneo (PPNH) com função de intensidade λ(t) descrita no enunciado. Utilizando a propriedade de que λ(t + 0) λ(t) temos que λ(t) pode ser escrita como: 4 + 3t, se 0 t < 5 λ(t) 34 3t, se 5 t < 0 Para simular do PPNH dado que estamos no instante de tempo s precisamos saber qual das equações de λ(t) utilizaremos. Dessa forma, se o resto da divisão de s por 0 estiver entre 0 e 5 utilizaremos a primeira equação, caso contrário, utilizaremos a segunda equação. Como λ(t) 9, temos o seguinte algoritmo:. Simule t de um PPH com taxa 9. Simule u com distribuição U(0, ) Faça t 9 ln(u) 2. Simule u com distribuição U(0, ) 3. Se o resto da divisão de s por 0 estiver entre 0 e 5, faça: Se u 4+3t 9 então faça t s + t. Caso contrário, volte para. Se u < 34+3t 9 então faça t s + t. Caso contrário, volte para
8 8 Código: #Programa para simular do processo de Poisson n~ao homeg^eneo Tempo <- function(s){ #Primeiro precisamos determinar qual lambda(t) usar para simular do PPNH valor <- floor(s/0) valor <- s - 0*valor if(valor < 5) tipo <- 0 else tipo <- if(tipo0){ stop <- 0 while(stop0){ u <- runif(,0,) t <- - (/9)*log(u) u <- runif(,0,) if(u < (4+3*t)/9) stop <- else { stop <- 0 while(stop0){ u <- runif(,0,) t <- - (/9)*log(u) u <- runif(,0,) if(u < (34-3*t)/9) stop <- return(t+s) #Programa para simular o problema proposto filas <- function(t){ #inicializa c~ao A <- vector() D <- vector() tnnand0
9 9 #Gerar T0, ou seja, o tempo para a chegada do primeiro cliente ta <- Tempo(0) td <- Inf n.operando <- ta stop <- 0 while(stop0){ #Caso if(ta < td & ta< T){ t <- ta Na <- Na+ n <- n+ #Gero o tempo de chegada do proximo cliente ta <- Tempo(t) if(n) { y <- rexp(,25) td <- t+y A[Na] <- t else { #Caso 2 if(td < ta & td < T){ t <- td n <- n- Nd<- Nd + if(n0){ td <- Inf n.operando <- n.operando + (ta-t) else { y <- rexp(,25) td <- t+y D[Nd]t else { #Caso 3
10 0 if(min(ta,td)>t){ stop <- return(list(tempo_chegadasa,tempo_saidasd,tempo_ocioson.operando)) #Para calcular o tempo medio que o servidor nao opera utilizando 500 simulacoes n.operando <- vector() for(j in :500){ n.operando[j] <- filas(00)$tempo_ocioso list(tempo_ociosomean(n.operando)) $Tempo_ocioso [] Portanto, o servidor fica ocioso por aproximadamente 25 horas das 00horas que ele opera, ou seja, o servidor fica um quarto do seu tempo de trabalho sem estar em operação. 6) Simule uma amostra de tamanho n de uma normal padrão, em que n é tal que: n 00 e s n < a) Quantos valores você espera que sejam simulados? Quantos você simulou? Compare e comente. Solução: Temos que var( X) < 0.05 n < 0.05 n > 20 n > 400 Assim, o valor esperado de dados simulados deve ser maior que 400 e o valor obtido com o código R foi n 434.
11 i. Gere uma amostra de tamanho n de uma normal padrão, x n (x, x n ) e calcule o valor inicial de d sd(xn) n, em que sd(x n ) (x i x). n ii. Gere o elemento x n+ e concatene a x n. Faça n n +. iii. Calcule d sd(xn) n iv. Se d < 0.05 pare. Caso contrário retorne ao passo ii. Código R: n <- 00 x <- rnorm(n) d <- sd(x)/sqrt(n) while(d > 0.05) { x <- c(x,rnorm()) n <- n + u <- seq(-4,4, len 000) d <- sd(x)/sqrt(n) hist(x, freq F, main "Histograma", ylab "Densidade") lines(u, dnorm(u), col"blue", lwd2) b) Apresente a média e a variância amostrais. Faça um histograma dos dados simulados e sobreponha a este a curva da normal padrão. Solução: A média e a variância foram e.084, respectivamente. i
12 2 7) Use simulação para estimar o valor da integral: 0 ex2 dx Simule pelo menos 00 valores e pare quando o desvio padrão do seu estimador for menor que 0.0. Solução: Usando o método de Monte Carlo podemos encontrar uma estimativa para 0 ex2 dx gerando amostra de uma uniforme U(0, ). E para a resolução da questão procedemos de forma parecida com a questão 6). Código: n <- 00 x <- exp(runif(00)^2) d <- sd(x)/sqrt(n) while(d > 0.0) { x <- c(x, exp(runif(00)^2)) n <- n + d <- sd(x)/sqrt(n) O valor de n para que o valor do desvio padrão do estimador seja menor que 0.0 foi de 2258 e a estimativa foi de ) Para estimar θ foram gerados 20 valores independentes de uma v.a. com média θ. Quantas observações adicionais espera-se simular se deseja-se que a estimativa final não se distancie do verdadeiro valor de θ por mais de unidade e isso ocorra com probabilidade 0.99? Os valores gerados são apresentados a seguir: 02,2,3,07,4,95,33,45,39,7,93,,24,22,36,4,9,22,5,43. Solução: Sabendo que quantil da t-student t 9, e que S O tamanho da amostra total para que estimativa final não se distancie do verdadeiro por mais de unidade e que ocorra com probabilidade 0.99, é n t2,90.99 S2 erro E portanto, temos que gerar mais 2289 amostras.
13 3 9) Sejam X,, X n v.a. independentes e identicamente distribuídas com média µ. Para duas constantes tais que a < b, estamos interessados em estimar p P [a < X µ < b]. a) Explique como usar o método de bootstrap para estimar p. Solução: Primeiro encontraremos a distribuição de δ X µ usando a aproximação bootstrap e para isso procedemos da seguinte forma: i) Calcule a média dos dados, x, e a considere como uma estimativa para µ. ii) Calcule o vetor de médias x que contém a média de cada uma das B amostras bootstrap. iii) Calcule a diferença δ x x. A partir da distribuição bootstrap representada pela amostra δ podemos calcular a estimativa de p como sendo: ˆp Cardinalidade ( ) a < δ < b B. b) Considere n 0,a 5 e b 5.Estime p considerando que os valores observados são : 56,0, 78, 67, 93, 87,64,72,80 e 69. Solução: A estimativa para P ( 5 < X µ < 5) P ( 5 < X X < 5) para B 0 4. Código: dados <- c(56,0, 78, 67, 93, 87,64,72,80,69) B <- 0^4 # quantidade de amostra bootstrap xbar <- mean(dados) xbar_ast <- replicate(b, mean(sample(dados,0,replace T))) delta_ast <- xbar_ast - xbar P <- length(delta_ast[delta_ast > -5 & delta_ast < 5])/B
14 4 0) Considere x,, x n uma amostra observada de uma v.a. com média θ. Na comparação feita em aula dos métodos bootstrap e Jackknife para estimar o erro quadrático médio de x usamos o seguinte resultado: ( x (i) x ) 2 i Prove o resultado acima. (n ) 2 (x(i) x) 2 Solução: Sabendo que x (i) é a média do conjunto de x,, x n sem a i-ésima observação, ou seja, e que x (i) E assim temos que, n j j i n (n x x (i)) x n i x (j) (( ) ) x (j) x (i) n j x (i) i ( ) n n (n x x (i)) i ( ) n n (n x x (i)) x i ( x (i) x ) 2 i ( ) n x 2 x(i) x n ( n x x(i) (n ) x i i ( x x(i) n ) 2 n i ( x(i) x ) 2 (n ) 2 i ) 2
Análise 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 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 mais1) Considere Y N(1, 1) e X Y = y N(y, 4). A quantidade de interesse é θ = P (X > 1).
1 Considere Y N1, 1 e X Y y Ny, 4. A quantidade de interesse é θ P X > 1. a Explique como obter uma estimativa de θ via simulação. Solução: Uma maneira simples de obter uma estimativa de θ é simulando
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 maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Análise Estatística. Análise Estatística Motivação: Fila de 1 servidor. Clientes chegam em um banco (sistema)
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 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 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 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 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 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 mais4. ([Magalhães, 2011] - Seção 2.4) Seja X U( α, α), determine o valor do parâmetro α de modo que:
GET189 Probabilidade I Lista de exercícios - Capítulo 6 1. ([Ross, 21] - Capítulo 5) Em uma estação, trens partem para a cidade A de 15 em 15 minutos, começando às 7:h; e trens partem para a cidade B de
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 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 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 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 maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisSimulação com Modelos Teóricos de Probabilidade
Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.
Leia 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 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 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 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 maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
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 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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Aula Valor esperado como solução do problema do menor erro quadrático médio e Quantis 03/14 1 / 15 Valor esperado como solução
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 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 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 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 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 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 maisTeorema do Limite Central
Teorema do Limite Central Bacharelado em Economia - FEA - Noturno 1 o Semestre 2014 MAE0219 (IME-USP) Teorema do Limite Central 1 o Semestre 2014 1 / 47 Objetivos da Aula Sumário 1 Objetivos da Aula 2
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 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 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 Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia 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 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 maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia 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 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 maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia 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 Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Variância amostral Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum Likehood
Leia mais3. Considere uma amostra aleatória de tamanho 7 de uma normal com média 18. Sejam X e S 2, a média e a variância amostral, respectivamente.
1 Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas Professores: Clarice Demétrio, Roseli Leandro e Mauricio Mota Lista 3- Distribuições Amostrais-
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisDistribuições Contínuas de Probabilidade
Distribuições Contínuas de Probabilidade Uma variável aleatória contínua é uma função definida sobre o espaço amostral, que associa valores em um intervalo de números reais. Exemplos: Espessura de um item
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 DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
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 maisModelagem e Análise de Sistemas de Computação Aula 20
Modelagem e Análise de Sistemas de Computação Aula 20 Aula passada Lei dos grandes números Calculando integrais Gerando outras distribuições Método da transformada inversa Aula de hoje Simulando uma fila
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 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 maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisProblemas Resolvidos. 1. Distr. Uniforme Contínua. (a) f X (x; a, b) = 1 1 (x µ) 2. (b) µ = E(x) = a+b. e V ar(x) = (b a)2. 2. Distr.
Distribuições Contínuas - Problemas Resolvidos. Distr. Uniforme Contínua (a) f X (x; a, b) = b a (b) µ = E(x) = a+b e V ar(x) = (b a). Distr. Gaussiana (a) f X (x; a, b) = (x µ) π e (b) µ = E(x) = µ e
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 maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisUniversidade Federal da Paraíba Departamento de Estatística Lista 1 - Outubro de 2013
1. Seja X a duração de vida de uma válvula eletrônica e admita que X possa ser representada por uma variável aleatória contínua, com f.d.p. be bx, x 0. Seja p j = P (j X < j + 1). Verifique que p j é da
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 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 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisIntrodução à Probabilidade e à Estatística II
Introdução à Probabilidade e à Estatística II Introdução à Inferência Estatística Capítulo 10, Estatística Básica (Bussab&Morettin, 7a Edição) Lígia Henriques-Rodrigues MAE0229 1º semestre 2018 1 / 36
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisDistribuição Normal. Prof. Eduardo Bezerra. (CEFET/RJ) - BCC - Inferência Estatística. 25 de agosto de 2017
padrão - padronização Distribuição Normal Prof. Eduardo Bezerra (CEFET/RJ) - BCC - Inferência Estatística 25 de agosto de 2017 Eduardo Bezerra (CEFET/RJ) Distribuição Normal Março/2017 1 / 32 Roteiro Distribuições
Leia mais2. Distribuições amostrais
2. Distribuições amostrais USP-ICMC-SME 203 USP-ICMC-SME () 2. Distribuições amostrais 203 / 22 Amostra aleatória Notação. X: variável aleatória (v.a.). f(x; θ): função densidade de probabilidade (X contínua)
Leia maisLista de Exercicios 1. Medidas Resumo. Estimação. Distribuições Amostrais
Introcução à Inferência Estatística. Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 15 de agosto de 007 Lista de Exercicios 1 Medidas Resumo. Estimação. Distribuições Amostrais 1
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia maisME-310 Probabilidade II Lista 2
ME-3 Probabilidade II Lista 2. Uma máquina funciona enquanto pelo menos 3 das 5 turbinas funcionam. Se cada turbina funciona um tempo aleatório com densidade xe x, x >, independentemente das outras, calcule
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 maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 2019 5.1. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros e ( < ) se sua função densidade de probabilidade é dada por f ( x )={ 1 β α, α x β
Leia 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 maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
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 maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia maisAula 9: Introdução à Inferência Estatística
Aula 9: Introdução à Inferência Estatística Professor: José Luiz Padilha da Silva email: jlpadilha@ufpr.br Departamento de Estatística Universidade Federal do Paraná Curitiba, 2018 José Luiz Padilha da
Leia maisPRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES
PRINCIPAIS DISTRIBUIÇÕES DE PROBABILIDADES Certas distribuições de probabilidades se encaixam em diversas situações práticas As principais são: se v.a. discreta Distribuição de Bernoulli Distribuição binomial
Leia 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 maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
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 maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisSCX5005 Simulação de Sistemas Complexos II. Problemas em Simulação
SCX5005 Simulação de Sistemas Complexos II Alguns Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
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 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 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 maisAula 5. Processo de Poisson. Exemplos.
Aula 5. Processo de Poisson. Exemplos. Exemplo 1. Processo de Poisson com diferentes tipos de eventos. Consideramos um processo de Poisson com intensidade λ. Suponha que em cada instante de ocorrência
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
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 maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia mais