Geração de Números Aleatórios e Simulação
|
|
- Carolina Laranjeira Sacramento
- 8 Há anos
- Visualizações:
Transcrição
1 Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana Nascimento (snt@di.fct.unl.pt) Este material pode ser livremente usado para uso pessoal ou académico e sem qualquer autorização prévia do autor desde que acompanhado desta declaração do autor. Para uso comercial (por exemplo em cursos pagos) o uso deste material requer a expressa autorização do autor. 2
2 imulação Técnica de amostragem estatística controlada, para estimar o desempenho de sistemas estocásticos complexos quando os modelos analíticos são inadequados. Ummodelo de simulação descreve o funcionamento do sistema em termos de eventos individuais de componentes do sistema. Podemos observar o comportamento global do sistema simulado para diferentes configurações e escolher aquela que apresenta um melhor desempenho. imulações de eventos discretos 3 Preparar uma simulação. Definição de um estado de sistema Por exemplo o número de clientes na fila de espera 2. Identificar os possíveis estados que o sistema pode ter 3. Identificar os possíveis eventos que podem ocorrer Por exemplo chegadas de clientes, conclusão de serviços 4. Um relógio do simulador Para simular a passagem do tempo 5. Um ou vários geradores de eventos aleatórios 6. Uma fórmula/método para identificar as transições de estado geradas pelos vários tipos de eventos 4 2
3 Um exemplo muito simples Lançase repetidamente uma moeda ao ar até que a diferença entre o número vezes que saiu caras e o número de vezes que saiu coroa seja 3. Por cada vez que se atira a moeda é preciso pagar. De cada vez que o jogo pára recebemos 8. Não é possível desistir a meio do jogo Questão de fundo: Valerá a pena jogar? Ganharemos uma partida de cada vez que que ela parar ao fim de 7 lançamentos. Não ganharemos se parar ao fim de 8 lançamentos Perdemos se parar depois de 8 lançamentos. 5 Números aleatórios para simular o lançamento Gerar sequência de números aleatórios inteiros entre e 9 e o número for inferior a 5 saiu cara (c) e o número for superior ou igual a 5 saiu coroa () Exemplo de sequência de números Aleatórios Faces c c c c Diferença
4 Repetir a experiência: simular Vale a pena Jogar? Jogo Lançamentos Número médio de lançamentos Estima a verdadeira média da distribuição de probabilidades Assim o lucro esperado é de 8 7 =! 7 Repetindo a experiência (5 ensaios) Número médio de lançamentos Jogo Assim o lucro esperado é de =.4! 8 4
5 Repetindo a experiência (25 ensaios) Número médio de de lançamentos Jogo Assim o lucro esperado é de =.4! 9 Não fazer estimativas com base em pequenas amostras N = 4; E(Lanc) = 7 N = 5; E(Lanc) = 7.6 N = 25; E(Lanc) = 8.4 Valor real da média da distribuição (do nº de lançamentos por jogo) é 9! Determinar um intervalo de confiança da média amostral como estimadora da média da distribuição O desvio padrão estimado da média amostral é TDVA(X)/QRT(N) 5
6 Intervalo de confiança (95%) % 95.4% 25 observações aleatórias de acordo com a distribuição normal com média de e.96 o desvio padrão (σ). Dá o intervalo com 95% de confiança onde a média real da distribuição se encontra imulação: Geração de Números Aleatórios Um gerador de números aleatórios é um gerador que produz sequências de números de acordo com uma distribuição de probabilidadade dada, e que apresenta aleatoriedade. Número aleatório é uma observação aleatória de uma distribuição uniforme (i.e. todos os nºs são igualmente prováveis). Número inteiro aleatório é uma observação aleatória de uma distribuição uniforme discreta sobre um intervalo inteiro n, n +,..., N. As probabilidades para esta distribuição são: P(n) =... = P(N) = /(N n + ). Um caso particular é o intervalo inteiro de a N. 2 6
7 Geração de Números Aleatórios (cont) Número aleatório uniforme é uma observação aleatória de uma distribuição contínua uniforme sobre um intervalo real [a, b]. A função densidade de probabilidade é: f(x) = /(b a) se a x b e f(x) = para qualquer outro valor de x. Quando a e b não são especificados, assumese: a= e b= Observação aleatória quando for relativa a qualquer outra distribuição de probabilidades 3 Geração de Números Aleatórios (cont) Em geral, os geradores produzem sequências de números inteiros mas podem ser facilmente convertidos para números aleatórios uniformes. Exemplo para um número aleatório uniforme em [, ] Dado um número inteiro aleatório r {,, N}, dividindoo por N obtemos uma boa aproximação se N for grande x = (r + /2) / (N + ) Mínimo = /(2N + 2); Máximo = (N + /2) / (N + ) (r= ) (r= N) 4 7
8 Geração aleatória de números inteiros Existem vários tipos de geradores de números aleatórios: Método congruencial misto Método congruencial aditivo Método congruencial múltiplicativo. 5 Geração aleatória de números inteiros Método congruencial (misto) gera uma sequência de números inteiros (pseudo) aleatórios no intervalo a m, cada nº é calculado a partir do anterior: X n+ = (a X n + c) (modulo m) e X semente onde a, c e m são números inteiros (a < m, c < m), e em que m representa o nº de valores diferentes a gerar. 6 8
9 Exemplo de Método congruencial (misto) Por exemplo para a = 5, c = 7 e m = 8 e X = 4. X n+ = (a X n + c) (modulo m) X n X n+ (5X n +7)/8 X 3 (3 + 3/8) X 4 X 2 3 X 7 6 X 4 5 X 5 X X (2 + 6/8) (4 + 5/8) (4 + /8) ( + 7/8) (5 + 2/8) (2 + /8) ( + 4/8) X = 4 X 8 X 9 X X X 2 X 3 X 4 X Método congruencial (misto) A quantidade de números consecutivos numa sequência antes de se voltar a repetir é designada por período da sequência. O período da sequência do exemplo é 8. Aliás o máximo valor do período é m. e b for o número de bits da representação de inteiros no computador então a escolha usual para m é 2 b. Para este valor de m existem valores de a e c para os quais se assegura que cada número inteiro irá ocorrer uma vez antes de qualquer outro se repetir. Valores de a:, 5, 9, 3,... Valores para c:, 3, 5,
10 Método congruencial Multiplicativo e Aditivo Multiplicativo É um caso particular do método misto em que c = ou seja: X n+ = a X n (modulo m) e X semente Embora haja várias combinações de a e m aceitáveis, a combinação mais conhecida é devida a LearmouthLewis: X n+ = 75 X n (módulo 23 ) Aditivo É um caso particular do método misto em que a = e c é um dos números aleatórios que precedem X n na sequência. 9 Geração de observações aleatórias A partir de distribuições de probabilidade Métodos / distribuições Distribuições discretas (método trivial) Para a distribuição Erlang (gama) Distribuição Normal (soma de n uniformes) hiquadrado a partir da normal Método de aceitaçãorejeição 2
11 Distribuições discretas (método trivial) onsiste simplesmente em atribuir os possíveis valores de um número aleatório a vários números na distribuição de probabilidades na proporção directa das respectivas probabilidades desses números. Exemplo: X = {,, 2}; P(X) = {.25,.25,.5} eja r um número aleatório inteiro entre e 99. e r =,..., 24 > X = ; e r = 25,..., 49 > X = ; e r = 5,..., 99 > X =2 2 Método da transformação inversa É aplicável tanto ao caso das variáveis discretas como contínuas. ejax a variável aleatória e a sua função de distribuição acumulada F(X) = P{X x}. Gerar um número uniforme r no intervalo [, ] 2. Resolver a equação F(x) = r em ordem a x F (r) = x A solução desta equação é a observação aleatória que se pretende. A resolução da equação pode ser analítica, ou numérica. 22
12 Método da transformação inversa exemplo eja a distribuição exponencial f(x) = e αx A acumulada é F(x) = e αx (para x ) onde /α é a média da distribuição Resolvendo a equação F(x) = r temos x = ln ( r) / α. 23 Distribuição Erlang (gama) A distribuição Erlang com um parâmetro de forma k e média /α, é a soma de k variáveis independentes com distribuição exponencial, cada uma com média = /(kα). ejam r, r 2,..., r k k números aleatórios do intervalo [, ]. Uma observação aleatória da distribuição Erlang é obtida por: k x = ln ( r i ) kα 24 2
13 Distribuição Normal (soma de n uniformes) De acordo com o teorema do limite central a soma de n números uniformemente distribuidos no intervalo [, ] tem aproximadamente uma distribuição normal com média = n/2 e desvio padrão n. 2 ejam r, r 2,..., r n n números aleatórios do intervalo [, ] então σ n x = r i +µ n σ 2 n/2 n/2 é uma observação aleatória de uma distribuição aproximadamente normal com média µ e desvio padrão σ 25 Método de aceitaçãorejeição É muitas vezes usado para distribuições para as quais não é possível ou não é fácil o uso do método da transformação inversa (i.e. contínuas). O método de aceitaçãorejeição consiste em dois passos (possivelmente repetidos até aceitação). 26 3
14 Método de aceitaçãorejeição Exemplo f(x) = x se x ; f(x) = (x ) se x 2 f(x) = c.c Aceita r 2 = Rejeita 27 Método de aceitaçãorejeição Exemplo (cont.) O método de aceitaçãorejeição usa os 2 passos para gerar observação aleatória:. Gerar um número aleatório uniforme r no intervalo [, ]; calcular x= 2r (o intervalo de valores possíveis de x é de [, 2]. Aceitar x com probabilidade: p = x se x ; p = (x ) se x 2 em que p corresponde à observação aleatória desejada (já que esta probabilidade é igual a f(x)). aso contrário, rejeitar x e repetir os passos 2. Gerar um número aleatório uniforme r 2 no intervalo [, ]. Aceitar x se r 2 f(x); Rejeitar x se r 2 > f(x); (se x é rejeitado repetir os dois passos). 28 4
15 Método de aceitaçãorejeição O método de aceitaçãorejeição consiste em dois passos (possivelmente repetidos até aceitação):. Gerar um número aleatório uniforme r no intervalo [, ]. alcular x a partir de r tendo em consideração o domínio de r. 2. Gerar um número aleatório uniforme r 2 no intervalo [, ]. e necessário calcular y a partir de r 2 tendo em consideração o maior valor de f(x). (e o maior valor de f(x) fosse L, menor do que, então seria necessário considerar y = L. r 2. e y f(x) aceita x e a observação aleatória é r 2 ; e y > f(x) rejeita x e repete os dois passos. 29 imulação IO Técnica de amostragem estatística controlada, para estimar o desempenho de sistemas estocásticos complexos quando os modelos analíticos são inadequados. Ummodelo de simulação descreve o funcionamento do sistema em termos de eventos individuais de componentes do sistema. Podemos observar o comportamento global do sistema simulado para diferentes configurações e escolher aquela que apresenta um melhor desempenho. imulações de eventos discretos 3 5
16 imular o exemplo do Lançamento de moeda O sistema a ser simulado é o lançamento sucessivo de uma moeda. Relógio de simulação regista o número de lançamentos efectuados: t Estado de sistema N(t) = número de caras menos o número de coroas depois de t lançamentos Possíveis eventos que podem ocorrer: sair cara (c) ou sair coroa () Método de geração aleatória dos eventos a partir de um número aleatório uniforme no intervalo [, ]:, até.5 > cara;.5 até. > oroa 3 Formalizar este exemplo simples (cont) Transições de estado geradas pelos vários tipos de eventos: N(t) = N(t) + se o lançamento t foi cara (c); N(t) = N(t) se o lançamento t foi oroa (); Identificar os possíveis estados que o sistema pode ter: cara cara cara cara cara cara 3 2 O 2 3 coroa coroa coroa coroa coroa coroa O jogo pára quando N(t) = ± 3 (diferença entre nº de lançamentos c e é 3) O resultado de um jogo é sempre 8 t (8 é o que se ganha e t é o que se paga) 32 6
17 Um exemplo de filas de espera M/M/ com λ = 3 por hora; µ = 5 por hora omeçando em o relógio da simulação indica a quantidade de tempo (simulado) que já passou. Estado do sistema, N(t) é o número de clientes no sistema. Os eventos são: chegada de um cliente e a conclusão de um serviço a um cliente. Transição de estado em cada instante t: N(t) = N(t) + se ocorre a chegada de um cliente no instante t N(t) = N(t) se ocorre a saída de um cliente no instante t 33 Avançar o relógio da simulação Incrementos de tempo fixo Incrementar o valor de t de um valor fixo e pequeno Actualizar o sistema: determinar que eventos ocorreram nesse intervalo de tempo e consequentemente qual o estado do sistema. Por exemplo, os eventos que podem ocorrer podem ser uma ou mais chegadas de clientes, uma ou mais conclusão de serviços Incrementos de tempo até ao próximo evento Avançar o tempo (simulado) até ao próximo evento de qualquer tipo: chegada ou saída de cliente Actualizar o sistema: determinar o novo estado resultante do evento; gerar aleatoriamente o tempo até ao próximo evento de qualquer tipo (se não estiver já gerado), segundo a distribuição de probabilidade (i.e. exponencial) 34 7
18 Avançar o relógio por incrementos de tempo fixo Para um intervalo de tempo arbitrário podem ocorrer vários eventos: hegada de vários clientes onclusão de vários serviços Vamos escolher um intervalo de tempo pequeno para incremento fixo do relógio: eja t =. hora = 6 minutos Probabilidade de que para t =. hora, ocorra uma chegada: P[T t] = e λt = e 3/ =.259 Probabilidade de que para t =. hora, ocorra um serviço: P[T t] = e λt = e 5/ = Escolha do incremento de tempo Um valor de t suficientemente pequeno permite tornar desprezível a probabilidade de ocorrência de chegdas múltiplas ou serviços múltiplos. Aproximar como um evento discreto: Distribuição de Poisson P[X(t) > ] = (P[X(t) = ] + P[X(t) = ]) P[X(t) = n] = (αt)n e αt para n =,,... n! P[X(t) > ] t =. (6 min) t =.5 (3 min) t =. (36 seg) λ = %.2%.4% µ = 5 9.2% 2.65%.2% 36 8
19 imular por incrementos fixos de tempo =.h hegadas de clientes. Gerar um número aleatório (método transformação inversa), r A entre [, ]: r A.259 ocorreu uma chegada r A >.259 não ocorreu uma chegada erviços concluídos, se existir algum cliente a ser servido pelo servidor. Gerar outro número aleatório, r D entre [, ]: r D.393 o serviço do cliente foi concluído r D >.393 o serviço do cliente não foi concluído Estamos a assumir que se não houver clientes no sistema no início do intervalo então nenhum cliente pode ver o seu serviço concluído, mesmo que chegue um cliente. 37 imular por incrementos fixos de tempo =.h t (min) N(t) r A hegada? r D Partida? r A.259 r D sim sim sim sim 38 9
20 Actualizar o estado do sistema Além de actualizar o estado do sistema é necessário guardar a informação necessária para os indicadores que se pretendam analisar Transição de estado é: N(t) = N(t) + se ocorre a chegada de um cliente N(t) = N(t) se ocorre a saída de um cliente Estimar o tempo médio de espera imulados apenas 2 clientes ada um deles esteve 3 períodos no sistema Est(W) = [(3+3)/2](.h) 39 Problemas da simulação por Tempo Fixo e o intervalo de tempo for grande pode introduzir erros e o intervalo de tempo for muito pequeno pode requerer grande número de iterações Iterações sem eventos Ao iniciar a simulação com n = o sistema não se inicia em regime estacionário 4 2
21 Incremento de tempo até ao Próximo Evento Avançar o relógio do simulador até ao instante do próximo evento (qualquer tipo de evento) Actualizar o estado sistema que resulta desse evento. Gerar aleatoriamente o tempo do próximo evento que pode ocorrer a partir deste estado t É necessário o sistema guardar o registo dos eventos futuros (lista de eventos futuros LEF) 4 Geração de números aleatórios com distribuição exponencial: método da transformação inversa É aplicável tanto ao caso das variáveis discretas como contínuas. eja X a variável aleatória e a sua função de distribuição acumulada F(X) = P{X x}. Gerar um número uniforme r no intervalo [, ] 2. Resolver a equação F(x) = r em ordem a x: F (r) = x A solução desta equação é a observação aleatória que se pretende. A resolução da equação pode ser analítica, ou numérica. 42 2
22 Método da transformação inversa exemplo eja a distribuição exponencial f(x) = e αx A acumulada é F(x) = e αx (para x ) onde /α é a média da distribuição Resolvendo a equação F(x) = r temse e αx = r x = ln ( r) / α. 43 Incremento de tempo até ao próximo evento t (min) N(t) r A.96 Próximo tempo entrechegadas 2.9 r D Próximo tempo de serviço Próxima chegada 2.9 Próxima saída Próximo evento upondo que em N(t = ) = x = ln ( r) / α. geração uniforme em [, ]: r A =.96 α=,5 corresponde ao tempo até à próxima chegada de: 2.9 próxima chegada deve ocorrer para t = =
23 Incremento de tempo até ao próximo evento t (min) 2.9 N(t) r A Próximo tempo entrechegadas r D.665 Próximo tempo de serviço 3.23 Próxima chegada Próxima saída 5.42 Próximo evento t = 2.9 (chegada de um cliente) N(2.9) = N() + = ; Geração aleatória dos próximos eventos x = ln ( r) / α. α D =,8 Próx. chegada: r A =.569 t = t A = ( ) Próx. saída: r D =.665 t = 3.23 t D = 5.42 ( ) 45 Incremento de tempo até ao próximo evento t (min) N(t) r A Próximo tempo entrechegadas t = 5.42 (saída de um cliente).665 N(5.42) = N(2.9) = ; r D Próximo tempo de serviço 3.23 Próxima chegada Próxima saída 5.42 Próximo evento Geração aleatória dos próximos eventos não é necessária pois: não existe mais ninguém no sistema para ser servido e a chegada do próximo cliente já está fixada que irá ocorrer t A =
24 Incremento de tempo até ao próximo evento t (min) N(t) r A Próximo tempo entrechegadas r D Próximo tempo de serviço Próxima chegada Próxima saída Próximo evento t = (chegada de um cliente) N(8.852) = N(5.42) + = ; Geração aleatória dos próximos eventos: (próxima chegada e tempo de serviço deste) Próx. chegada: r A =.764 t = t A = ( ) Próx.saída:r D =.842 t = t D = ( ) 47 Incremento de tempo até ao próximo evento t (min) N(t) r A t = (saída de um cliente) N(4. 994) = N(8.852) = ;.764 Próximo tempo entrechegadas r D Próximo tempo de serviço Próxima chegada Próxima saída Geração aleatória dos próximos eventos não é necessária pois não existe mais ninguém no sistema para ser servido e a chegada do próximo cliente já está fixada que irá ocorrer t A = Próximo evento 48 24
25 Um exemplo para simular () Pretendese abrir uma agência bancária com duas caixas. Estudos de mercado indicam que o ritmo de entrada de clientes no banco é de por minuto, ou seja o tempo médio entre clientes consecutivos é de minuto. Devido a problemas de estacionamento na zona o banco coloca uma zona de estacionamento reservada aos seus clientes. Um guarda verifica se de facto são clientes do banco, demorando esta operação.5 minutos. Assim o tempo mínimo entre clientes consecutivos é de.5 minutos. O tempo médio para atendimento dos clientes é.5 minutos 49 Um exemplo para simular (2) Distribuição de probabilidades dos tempos entre chegadas Mínimo de.5 minutos Médio de minuto O tempo que excede os.5 minutos é uma exponencial com média de.5 minutos Distribuição dos tempos de serviço é uma Erlang com média de.5 minutos e parâmetro de forma, k = 4 tdev(t ) = k µ =.5 =.75 minutos
26 Um exemplo para simular (3) Vamos iniciar a simulação supondo que acabou de chegar um cliente (A) no instante t =. Geração aleatória de um tempo entre chegadas (c): Geração aleatória de um tempo de serviço (s): Um exemplo para simular (4) Antes de avançar para o instante do próximo evento (T=.92653), vamos registar para este cliente: Tempo de espera excluíndo serviço: Tempo de espera incluíndo o serviço:
27 Um exemplo para simular (5) :.9265 Uma nova chegada. O cliente é imediatamente atendido (s= 2): Geração aleatória de um tempo entre chegadas:.2654 Geração aleatória de um tempo de serviço: Tempos Próxima chegada (c2) = = Próximo serviço concluído (s2) = = Registos deste cliente: Tempo de espera excluíndo serviço: Tempo de espera incluíndo o serviço: Um exemplo para simular (6) :.763 O próximo evento é uma conclusão de um serviço. omo não existem clientes à espera não é necessário gerar quer a chegada de novo cliente quer o novo tempo de serviço. Não é necessário registar mais informação dos clientes. A única coisa que se altera é o número de clientes no sistema que passa a
28 Um exemplo para simular (7) 2: 2.88 Uma nova chegada (c2). O cliente é imediatamente atendido: Geração aleatória de um tempo entre chegadas:.7252 Geração aleatória de um tempo de serviço: Tempos Próxima chegada (c3) = = Próximo serviço concluído (s3) = = Registos deste cliente: Tempo de espera excluíndo serviço: Tempo de espera incluíndo o serviço: Um exemplo para simular (8) 3: 2.93 Uma nova chegada (c3). O cliente fica em fila de espera: Geração aleatória de um tempo entre chegadas:.9956 Tempos Próxima chegada (c4) = = Registos deste cliente: 56 28
29 Um exemplo para simular (9) 4: 4.3 Uma nova chegada (c4). O cliente fica em fila de espera: Geração aleatória de um tempo entre chegadas: Tempos Próxima chegada (c5) = = Registos deste cliente: 57 Um exemplo para simular () 2: 4.43 Um serviço concluído (2). O primeiro cliente da fila começa a ser servido: Geração aleatória de um tempo de serviço: Tempos Próxima conlusão de serviço = = 5.97 Registos deste cliente: Tempo de espera excluíndo serviço: =.295 Tempo de espera incluíndo o serviço: =
30 Um exemplo para simular () 59 Um exemplo para simular (2) 6 3
31 Um exemplo para simular (3) 6 Um exemplo para simular (4) 62 3
32 Aplicações típicas da simulação oncepção e operação de sistemas de fila de espera Gestão de inventário Estimar a probabilidade de não atraso num projecto oncepção e operação de sistemas de produção oncepção e operação de sistemas distribuidos Análise de risco financeiro istema de saúde 63 32
Simulação Estocástica
Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias
Leia maisModelos de Filas de Espera
Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento (snt@di.fct.unl.pt) Advertência Autor João Moura Pires (jmp@di.fct.unl.pt) Este material pode
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisProcesso de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa. O tamanho do grupo é uma variável aleatória discreta
Aula 5 Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios? Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa.
Leia maisAula 11 Esperança e variância de variáveis aleatórias discretas
Aula 11 Esperança e variância de variáveis aleatórias discretas Nesta aula você estudará os conceitos de média e variância de variáveis aleatórias discretas, que são, respectivamente, medidas de posição
Leia maisBalanceamento de uma Linha de Produção
Balanceamento de uma Linha de Produção Uma linha de produção consiste num conjunto de Postos de Trabalho (PT) cuja posição é fixa e cuja sequência é ditada pela lógica das sucessivas operações a realizar
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Revisão de Probabilidade e Estatística
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Revisão de Probabilidade e Estatística Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Conceitos Básicos Estamos
Leia mais2 Modelo Clássico de Cramér-Lundberg
2 Modelo Clássico de Cramér-Lundberg 2.1 Conceitos fundamentais Nesta sessão introduziremos alguns conceitos fundamentais que serão utilizados na descrição do modelo de ruína. A lei de probabilidade que
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aulas passadas Modelagem de sistemas via cadeias de Markov Aula de hoje Introdução à simulação Gerando números pseudo-aleatórios 1 O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisDepartamento de Informática. Análise de Decisão. Métodos Quantitativos LEI 2006/2007. Susana Nascimento snt@di.fct.unl.pt.
Departamento de Informática Análise de Decisão Métodos Quantitativos LEI 26/27 Susana Nascimento snt@di.fct.unl.pt Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) Susana Nascimento (snt@di.fct.unl.pt)
Leia maisPlaneamento de um Posto de Abastecimento de Combustível
Introdução aos Computadores e à Programação 2007/2008, 2º Semestre 1º Trabalho de OCTAVE Planeamento de um Posto de Abastecimento de Combustível 1. Introdução Pretende-se instalar um posto de abastecimento
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisModelos de Filas de Espera
Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) Susana Nascimento
Leia maisSimulação Industrial
Licenciatura em Engenharia e Gestão Industrial Simulação Industrial Enunciados de Exercícios Para as Aulas Práticas Acácio M. de O. Porta Nova Departamento de Engenharia e Gestão Instituto Superior Técnico
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE
DISTRIBUIÇÕES DE PROBABILIDADE i1 Introdução Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos
Leia maisIntrodução à Simulação
Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos
Leia maisProcessos Estocásticos
Processos Estocásticos Segunda Lista de Exercícios 01 de julho de 2013 1 Uma indústria fabrica peças, das quais 1 5 são defeituosas. Dois compradores, A e B, classificam os lotes de peças adquiridos em
Leia mais3 Método de Monte Carlo
25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional
Leia maisProbabilidade. Distribuição Exponencial
Probabilidade Distribuição Exponencial Aplicação Aplicada nos casos onde queremos analisar o espaço ou intervalo de acontecimento de um evento; Na distribuição de Poisson estimativa da quantidade de eventos
Leia maisMétodos de Monte Carlo
Departamento de Estatística - UFJF Outubro e Novembro de 2014 são métodos de simulação São utilizados quando não temos uma forma fechada para resolver o problema Muito populares em Estatística, Matemática,
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisDistribuição Uniforme Discreta. Modelos de distribuições discretas. Distribuição de Bernoulli. Distribuição Uniforme Discreta
Distribuição Uniforme Discreta Modelos de distribuições discretas Notas de Aula da Profa. Verónica González-López e do Prof. Jesús Enrique García, digitadas por Beatriz Cuyabano. Acréscimos e modicações:
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisLogo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:
MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte IV 2012/02 Distribuição Exponencial Vamos relembrar a definição de uma variável com Distribuição Poisson. Número de falhas ao longo
Leia maisSimulação de Evento Discreto
Simulação de Evento Discreto Simulação de evento discreto As variáveis de estado modificam-se apenas pela ocorrência de eventos Os eventos ocorrem instantaneamente em pontos separados no tempo São simulados
Leia maisUniversidade da Beira Interior Departamento de Informática (6619, 11543, 11552) Programação I
Universidade da Beira Interior Departamento de Informática (6619, 11543, 11552) Programação I Ficha prática 4 Ano letivo 2014-15 Exercícios 1. Escreva um programa que mostre no ecrã a parte da tabela ASCII
Leia maisPE-MEEC 1S 09/10 118. Capítulo 4 - Variáveis aleatórias e. 4.1 Variáveis. densidade de probabilidade 4.2 Valor esperado,
Capítulo 4 - Variáveis aleatórias e distribuições contínuas 4.1 Variáveis aleatórias contínuas. Função densidade de probabilidade 4.2 Valor esperado, variância e algumas das suas propriedades. Moda e quantis
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisBC-0005 Bases Computacionais da Ciência. Modelagem e simulação
BC-0005 Bases Computacionais da Ciência Aula 8 Modelagem e simulação Santo André, julho de 2010 Roteiro da Aula Modelagem O que é um modelo? Tipos de modelos Simulação O que é? Como pode ser feita? Exercício:
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisFerramentas de Modelação e Análise de Sistemas baseadas em Redes de Petri (RdP)
Ferramentas de Modelação e Análise de Sistemas baseadas em Redes de Petri (RdP) Existem inúmeras ferramentas (software) baseadas em RdP que permitem desenvolver modelar e analisar sistema de RdP. Algumas
Leia maisMODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS
MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS DISCRETAS Definições Variáveis Aleatórias Uma variável aleatória representa um valor numérico possível de um evento incerto. Variáveis aleatórias
Leia maisEmpresa de Pesquisa Energética (EPE) 2014. Analista de Projetos da Geração de Energia
Empresa de Pesquisa Energética (EPE) 2014 Analista de Projetos da Geração de Energia Oi, pessoal! Vou resolver as quatro questões de Estatística (53 a 56) da prova elaborada pela banca Cesgranrio para
Leia maisAV2 - MA 12-2012. (a) De quantos modos diferentes posso empilhá-los de modo que todos os CDs de rock fiquem juntos?
Questão 1. Num porta-cds, cabem 10 CDs colocados um sobre o outro, formando uma pilha vertical. Tenho 3 CDs de MPB, 5 de rock e 2 de música clássica. (a) De quantos modos diferentes posso empilhá-los de
Leia maisGeração de variáveis aleatórias
Geração de variáveis aleatórias Danilo Oliveira, Matheus Torquato Centro de Informática Universidade Federal de Pernambuco 5 de setembro de 2012 Danilo Oliveira, Matheus Torquato () 5 de setembro de 2012
Leia maisMAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos
Leia maisDescreve de uma forma adequada o
EST029 Cálculo de Probabilidade I Cap. 8 - Variáveis Aleatórias Contínuas Prof. Clécio da Silva Ferreira Depto Estatística - UFJF 1 Variável Aleatória Normal Caraterização: Descreve de uma forma adequada
Leia maisVersão 1.0 09/Set/2013. www.wedocenter.com.br. WeDo Soluções para Contact Center Consultorias
Verificação do Modelo de Erlang Ponto de Análise: Processo de chegada de contatos Operações de Contact Center Receptivo Por: Daniel Lima e Juliano Nascimento Versão 1.0 09/Set/2013 Ponto de Análise Processo
Leia maisProgramação III / Estruturas de Dados. Enunciado do Trabalho Prático
Programação III / Estruturas de Dados Enunciado do Trabalho Prático 1. Objectivo Pretende-se implementar uma base de dados que sirva para ajudar uma agência de viagens a planear as viagens a realizar pelos
Leia maisUma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência.
Professor: Leandro Zvirtes UDESC/CCT Uma distribuição de probabilidade é um modelo matemático que relaciona um certo valor da variável em estudo com a sua probabilidade de ocorrência. Há dois tipos de
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Introdução a Probabilidade Existem dois tipos
Leia maisCAPÍTULO 5 - Exercícios
CAPÍTULO 5 - Exercícios Distibuições de variáveis aleatórias discretas: Binomial 1. Se 20% dos parafusos produzidos por uma máquina são defeituosos, determinar a probabilidade de, entre 4 parafusos escolhidos
Leia maisAspecto Fluidez no Estudo de Interseção Semaforizada e não Semaforizada
SP 01/07/92 NT 151/92 Aspecto Fluidez no Estudo de Interseção Semaforizada e não Semaforizada Núcleo de Estudos de Tráfego 1. Introdução Além da segurança, o semáforo influi muito nos atrasos sofridos
Leia maisMódulo VIII. Probabilidade: Espaço Amostral e Evento
1 Módulo VIII Probabilidade: Espaço Amostral e Evento Suponha que em uma urna existam cinco bolas vermelhas e uma branca. Extraindo-se, ao acaso, uma das bolas, é mais provável que esta seja vermelha.
Leia mais'DGRVGH(QWUDGD SDUD D6LPXODomR
6LPXODomR GH6LVWHPDV 'DGRVGH(QWUDGD SDUD D6LPXODomR,1387 'DGRVGH(QWUDGD SDUD D6LPXODomR 3URSyVLWRReproduzir o comportamento aleatório / estocástico do sistema real dentro do modelo de simulação. *$5%$*(,1*$5%$*(287
Leia maisExercícios Resolvidos da Distribuição de Poisson
. a. Qual é a diferença entre as distribuições de Poisson e inomial? b. Dê alguns exemplos de quando podemos aplicar a distribuição de Poisson. c. Dê a fórmula da distribuição de Poisson e o significado
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisModelos, em escala reduzida, de pontes e barragens. Simuladores de voo (ou de condução), com os quais se treinam pilotos (ou condutores).
SIMULAÇÃO 1 Introdução Entende-se por simulação a imitação do funcionamento de um sistema real recorrendo a uma representação desse sistema. Com essa representação modelo, pretende-se realizar experimentações
Leia maisDISTRIBUIÇÃO NORMAL 1
DISTRIBUIÇÃO NORMAL 1 D ensid ade Introdução Exemplo : Observamos o peso, em kg, de 1500 pessoas adultas selecionadas ao acaso em uma população. O histograma por densidade é o seguinte: 0.04 0.03 0.02
Leia maisCAP4: Distribuições Contínuas Parte 1 Distribuição Normal
CAP4: Distribuições Contínuas Parte 1 Distribuição Normal Quando a variável sendo medida é expressa em uma escala contínua, sua distribuição de probabilidade é chamada distribuição contínua. Exemplo 4.1
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisMomentos de uma variável aleatória
Momentos de uma variável aleatória O cálculo de E[X] (valor médio de X) e E[X 2 ] (que intervém na variância), pode ser generalizado pensando em E[X k ] com k IN. Definição: Dada uma v.a. X, chama-se momento
Leia maisDISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES
LUIZ CLAUDIO BENCK KEVIN WONG TAMARA CANDIDO DISTRIBUIÇÃO DE WEIBULL CONCEITOS BÁSICOS APLICAÇÕES Trabalho apresentado para avaliação na disciplina de Estatística e Métodos Numéricos do Curso de Administração
Leia maisDistribuições de Probabilidade Distribuição Normal
PROBABILIDADES Distribuições de Probabilidade Distribuição Normal BERTOLO PRELIMINARES Quando aplicamos a Estatística na resolução de situações-problema, verificamos que muitas delas apresentam as mesmas
Leia maisMODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,
Leia maisPremium até 10 S.M. 180 60 30 20 10 a 20 S.M. 80 40 40 40 20 a 30 S.M. 60 30 60 70 mais de 30 S.M. 40 20 70 160
1 MQI 2003 Estatística para Metrologia semestre 2008.01 LISTA DE EXERCÍCIOS # 1 PROBLEMA 1 Uma empresa de TV a cabo toma uma amostra de 1000 clientes, com o objetivo de verificar a relação entre a renda
Leia maisLISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS
LISTA DE EXERCÍCIOS VARIÁVEIS ALEATÓRIAS 1. Construir um quadro e o gráfico de uma distribuição de probabilidade para a variável aleatória X: número de coroas obtidas no lançamento de duas moedas. 2. Fazer
Leia maisDesenvolvimento de Sistema de Software
Desenvolvimento de Sistema de Software Grupo 5 Abel Matos 51776 João Amorim 51771 João Guedes 51755 Luís Oliveira 51801 Pedro Reis 51829 Introdução Neste relatório, realizado no âmbito da primeira fase
Leia maisProblemas de Valor Inicial para Equações Diferenciais Ordinárias
Problemas de Valor Inicial para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados
Leia maisRegra do Evento Raro p/ Inferência Estatística:
Probabilidade 3-1 Aspectos Gerais 3-2 Fundamentos 3-3 Regra da Adição 3-4 Regra da Multiplicação: 3-5 Probabilidades por Meio de Simulações 3-6 Contagem 1 3-1 Aspectos Gerais Objetivos firmar um conhecimento
Leia maisSISTEMAS ESPECIALISTAS
SISTEMAS ESPECIALISTAS Pasteur Ottoni de Miranda Junior DCC PUC Minas Postado em www.pasteurjr.blogspot.com Sistemas especialistas (SE) representam o comportamento de um especialista humano em determinada
Leia maisCopyright 1999-2001 Restinfor, Lda
WinREST FrontOffice A Restauração do Séc. XXI Manual de Transição para uro Copyright 1999-2001 Restinfor, Lda Índice Pag. Transição para o Euro... 3 1. Módulo de conversão de valores... 3 2. Interface
Leia maisDISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL
DISTRIBUIÇÕES DE PROBABILIDADES de variável discreta BERNOULLI E BINOMIAL Introdução Variável aleatória Discreta: assume um número finito ou infinito numerável de valores Contínua: assume todos os valores
Leia maisA MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1
A MATEMÁTICA NO ENSINO SUPERIOR POLICIAL 1 A IMPORTÂNCIA DA MATEMÁTICA O desenvolvimento das sociedades tem sido também materializado por um progresso acentuado no plano científico e nos diversos domínios
Leia maisMúltiplos Estágios processo com três estágios Inquérito de Satisfação Fase II
O seguinte exercício contempla um processo com três estágios. Baseia-se no Inquérito de Satisfação Fase II, sendo, por isso, essencial compreender primeiro o problema antes de começar o tutorial. 1 1.
Leia maisFecho de Ano WEuroGest 2000
Fecho de Ano WEuroGest 2000 INTRODUÇÃO Neste documento são descritos os passos a seguir para uma boa execução do fecho de ano e respectiva conversão da empresa em euros. No final é apresentada uma checklist
Leia maisCADEX. Consultoria em Logística Interna. Layout de armazém. Objectivos. Popularidade. Semelhança. Tamanho. Características
CADEX Consultoria em Logística Interna Layout de armazém fonte: Wikipédia O layout de armazém é a forma como as áreas de armazenagem de um armazém estão organizadas, de forma a utilizar todo o espaço existente
Leia maisManual de Utilizador. Disciplina de Projecto de Sistemas Industriais. Escola Superior de Tecnologia. Instituto Politécnico de Castelo Branco
Escola Superior de Tecnologia Instituto Politécnico de Castelo Branco Departamento de Informática Curso de Engenharia Informática Disciplina de Projecto de Sistemas Industriais Ano Lectivo de 2005/2006
Leia maisa) Suponha que na amostra de 20 declarações foram encontrados 15 com dados incorrectos. Construa um
Escola Superior de Tecnologia de Viseu Probabilidades e Estatística 2007/2008 Ficha nº 7 1. O director comercial de uma cadeia de lojas pretende comparar duas técnicas de vendas, A e B, para o mesmo produto.
Leia maisPipeline. Todos os estágios devem estar prontos ao mesmo tempo para prosseguir.
O throughput de um pipeline é determinado pela freqüência com que uma instrução sai do pipeline Todos os estágios devem estar prontos ao mesmo tempo para prosseguir O tempo requerido para mover uma instrução
Leia maisAMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO BACHARELADO AMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS Orientando: Oliver Mário
Leia maisUniversidade Federal de Santa Catarina Centro Tecnológico Departamento de Informática e Estatística Curso de Graduação em Ciências da Computação
Universidade Federal de Santa Catarina Centro Tecnológico Departamento de Informática e Estatística Curso de Graduação em Ciências da Computação Aula 6-T 2. Máquinas Sequencias Síncronas: Comparação entre
Leia maisAnálise de Sensibilidade
Análise de Risco de Projetos Análise de Risco Prof. Luiz Brandão Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista a pensar em diversos
Leia maisLógica e Raciocínio. Decisão sob Risco Probabilidade. Universidade da Madeira. http://dme.uma.pt/edu/ler/
Lógica e Raciocínio Universidade da Madeira http://dme.uma.pt/edu/ler/ Decisão sob Risco Probabilidade 1 Probabilidade Em decisões sob ignorância a probabilidade dos diferentes resultados e consequências
Leia maisModelos Estocásticos. Resolução de alguns exercícios da Colectânea de Exercícios 2005/06 PROCESSOS ESTOCÁSTICOS E FILAS DE ESPERA LEGI
Modelos Estocásticos Resolução de alguns exercícios da Colectânea de Exercícios 2005/06 LEGI Capítulo 7 PROCESSOS ESTOCÁSTICOS E FILAS DE ESPERA Nota: neste capítulo ilustram-se alguns dos conceitos de
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES. Comentários sobre as provas de estatística e financeira ICMS RJ
Comentários sobre as provas de estatística e financeira ICMS RJ Caríssimos, Acabei de voltar de uma longa auditoria em que visitamos inúmeros assentamentos federais do INCRA no interior do estado. Ou seja:
Leia maisEspaço Amostral ( ): conjunto de todos os
PROBABILIDADE Espaço Amostral (): conjunto de todos os resultados possíveis de um experimento aleatório. Exemplos: 1. Lançamento de um dado. = {1,, 3, 4,, 6}. Doador de sangue (tipo sangüíneo). = {A, B,
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisProbabilidade. Definições, Notação, Regra da Adição
Probabilidade Definições, Notação, Regra da Adição Definições básicas de probabilidade Experimento Qualquer processo de observação ou medida que permita ao pesquisador fazer coleta de informações. Evento
Leia maisBacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades. Representação Gráfica de Funções
Bacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades BC 0005 Bases Computacionais da Ciência Representação Gráfica de Funções Prof a Maria das Graças Bruno Marietto graca.marietto@ufabc.edu.br
Leia maisPesquisa Operacional
GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com
Leia maisTimer e serviços do Timer
Como é que se justifica a utilização de temporizadores em sistemas embebido e em tempo-real? 1. Nestes sistemas, tarefas do sistema e do utilizador fazem escalonamento e execução de actividades após decorrer
Leia maisMAE116 Noções de Estatística
MAE6 Noções de Estatística Grupo A - º semestre de 007 Exercício ( pontos) Uma máquina de empacotar um determinado produto o faz segundo uma distribuição normal, com média µ e desvio padrão 0g. (a) Em
Leia maisINE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS
Lista de Exercícios - Modelos Probabilísticos 1 INE 7002 LISTA DE EXERCÍCIOS MODELOS PROBABILÍSTICOS 35) Em um sistema de transmissão de dados existe uma probabilidade igual a 0,05 de um dado ser transmitido
Leia maisTECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO. SISTEMAS DE GESTÃO DE BASE DE DADOS Microsoft Access TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO
TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO Microsoft Access TECNOLOGIAS DA INFORMAÇÃO E COMUNICAÇÃO CONCEITOS BÁSICOS 1 Necessidade das base de dados Permite guardar dados dos mais variados tipos; Permite
Leia maisx0 = 1 x n = 3x n 1 x k x k 1 Quantas são as sequências com n letras, cada uma igual a a, b ou c, de modo que não há duas letras a seguidas?
Recorrências Muitas vezes não é possível resolver problemas de contagem diretamente combinando os princípios aditivo e multiplicativo. Para resolver esses problemas recorremos a outros recursos: as recursões
Leia maisTópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções
Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções 1. INTRODUÇÃO Ao se obter uma sucessão de pontos experimentais que representados em um gráfico apresentam comportamento
Leia maisMedidas e Incertezas
Medidas e Incertezas O que é medição? É o processo empírico e objetivo de designação de números a propriedades de objetos ou eventos do mundo real de forma a descreve-los. Outra forma de explicar este
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA 4 a LISTA DE EXERCÍCIOS GBQ12 Professor: Ednaldo Carvalho Guimarães AMOSTRAGEM
1 UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA 4 a LISTA DE EXERCÍCIOS GBQ12 Professor: Ednaldo Carvalho Guimarães AMOSTRAGEM 1) Um pesquisador está interessado em saber o tempo médio que
Leia maisICC Introdução para JavaScript
ICC Introdução para JavaScript Arquitetura Genérica de um Computador Máquina de Von Neumann Diagrama conhecido como Máquina de Von Neumann (grande nome da informática) A finalidade de um computador é receber,
Leia maisProbabilidade. Distribuições Uniforme, Geométrica, Hipergeométrica e Multinomial
Probabilidade Distribuições Uniforme, Geométrica, Hipergeométrica e Multinomial Distribuição Uniforme Usada comumente nas situações em que não há razão para atribuir probabilidades diferentes a um conjunto
Leia maisAula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições.
Aula 2: Variáveis Aleatórias Discretas e Contínuas e suas Principais Distribuições. Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 14 de Março de 2012 Tipos
Leia maisPROBABILIDADE, VARIÁVEIS ALEATÓRIAS, DISTRIBUIÇÃO DE PROBABILIDADES E GERAÇÃO ALEATÓRIA
PROBABILIDADE, VARIÁVEIS ALEATÓRIAS, DISTRIBUIÇÃO DE PROBABILIDADES E GERAÇÃO ALEATÓRIA Conceitos sob a ótica de Avaliação de Desempenho de Sistemas Marcos Portnoi Edição 26.6.2010 Universidade Salvador
Leia maisTecido 1 2 3 4 5 6 7 A 36 26 31 38 28 20 37 B 39 27 35 42 31 39 22
Teste para diferença de médias Exemplo Dois tipos diferentes de tecido devem ser comparados. Uma máquina de testes Martindale pode comparar duas amostras ao mesmo tempo. O peso (em miligramas) para sete
Leia maisMODELAGEM E SIMULAÇÃO
MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Terminologia Básica Utilizada em de Sistemas Terminologia Básica Uma série de termos
Leia maisMódulo 3936 ASP.NET. Financiado pelo FSE
EISnt Centro de Formação Profissional, Engenharia Informática e Sistemas, Novas Tecnologias, Lda Avª D. João I, nº 380/384 Soutelo 4435-208 Rio Tinto Portal Internet : www.eisnt.com E-Mail : formação@eisnt.com
Leia maisLISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES
Monitora Juliana Dubinski LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES EXERCÍCIO 1 (INTERVALO DE CONFIANÇA PARA MÉDIA) Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se
Leia maisVariáveis Aleatórias Discretas e Distribuições de Probabilidade
Variáveis Aleatórias Discretas e Distribuições de Probabilidade Objetivos do aprendizado a.determinar probabilidades a partir de funções de probabilidade b.determinar probabilidades a partir de funções
Leia mais