Me todos Computacionais em Fı sica
|
|
- Márcio Raminhos Freire
- 6 Há anos
- Visualizações:
Transcrição
1 Me todos Computacionais em Fı sica Jose Helder Lopes e Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2017
2 Ü E toda te cnica de amostragem estatı stica empregada para se obter aproximac o es nume ricas para um problema Ü Sorteio de cartas ou lanc amento de dados eram utilizados para gerar amostras de distribuic o es. Ü Foi Stanislaw Ulam quem percebeu que o computador poderia ser utilizado para automatizar o processo de obtenc a o de amostras Ü Junto com John von euman e icholas Metropolis, comec ou a desenvolver algoritmos em 1946 Ü Primeiro artigo em 1949: icholas Metropolis and S. Ulam, The Method, Journal of the American Statistical Association, Vol. 44, o. 247 (Sep., 1949), pp
3 Ca lculo de Integral pelo Monte Carlo Ü a uma dimensa o Simpson ou Trape zio Simpson, k=5, calcula f (x) em 2k +1 = 64 pontos Ü multidimensionais = 3, Simpson, k=5 643 = pontos
4 Ca lculo de Integral pelo Monte Carlo Ü a uma dimensa o Simpson ou Trape zio Simpson, k=5, calcula f (x) em 2k +1 = 64 pontos Ü multidimensionais = 3, Simpson, k=5 643 = pontos Alternativa:
5 Ca lculo de Integral pelo Monte Carlo Ü a uma dimensa o Simpson ou Trape zio Simpson, k=5, calcula f (x) em 2k +1 = 64 pontos Ü multidimensionais = 3, Simpson, k=5 643 = pontos Alternativa: Se so podemos calcular f (x) um determinado nu mero de vezes, em certos casos o resultado e mais preciso se explorarmos o espac o de valores estatisticamente do que em intervalos iguais
6 Ca lculo de Integral pelo Monte Carlo Ü a uma dimensa o Simpson ou Trape zio Simpson, k=5, calcula f (x) em 2k +1 = 64 pontos Ü multidimensionais = 3, Simpson, k=5 643 = pontos Alternativa: Se so podemos calcular f (x) um determinado nu mero de vezes, em certos casos o resultado e mais preciso se explorarmos o espac o de valores estatisticamente do que em intervalos iguais Depende do problema. Geralmente melhor se > 5
7 Ca lculo de Integral pelo Monte Carlo Ü a uma dimensa o Simpson ou Trape zio Simpson, k=5, calcula f (x) em 2k +1 = 64 pontos Ü multidimensionais = 3, Simpson, k=5 643 = pontos Alternativa: Se so podemos calcular f (x) um determinado nu mero de vezes, em certos casos o resultado e mais preciso se explorarmos o espac o de valores estatisticamente do que em intervalos iguais Depende do problema. Geralmente melhor se > 5 Ü Estudaremos dois me todos ä (Acerto ou Erro) Como calcular uma a rea jogando objetos? ä Me todo da Z b f (x)dx = (b a)hf i a
8
9 Hit (Acerto)
10 Hit (Acerto) Miss (Erro)
11 Hit (Acerto) Miss (Erro)
12 Miss (Erro) Hit (Acerto) Acirculo acertos = Aretangulo total
13 Integrac a o - Z Ü O problema e calcular I = f (x)dx a b
14 Integrac a o - Z Ü O problema e calcular I = f (x)dx a b Ü Define-se um reta ngulo, de altura H, que contenha a a rea a ser calculada. Aretangulo = H(b a)
15 Integrac a o - Z Ü O problema e calcular I = f (x)dx a b Ü Define-se um reta ngulo, de altura H, que contenha a a rea a ser calculada. Aretangulo = H(b a) Ü Sorteia-se pontos uniformemente distribuı dos dentro do reta ngulo a xi b 0 yi H
16 Integrac a o - Z Ü O problema e calcular I = f (x)dx a b Ü Define-se um reta ngulo, de altura H, que contenha a a rea a ser calculada. Aretangulo = H(b a) Ü Sorteia-se pontos uniformemente distribuı dos dentro do reta ngulo a xi b 0 yi H Ü Contando-se os acertos (yi f (xi )) obte m-se uma estimativa para a integral Acurva acertos acertos = I = Aretangulo Aretangulo
17 Exercı cio Ü Escreva um algoritmo para calcular uma integral usando o me todo hit or miss. Ü Escreva uma func a o em C que implemente o algoritmo do item anterior Z 1 Ü Use essa func a o para calcular I = x 3 dx 0 Ü Utilize um reta ngulo de altura H = 1 Ü O nu mero de pontos sorteados deve ser lido do teclado Ü imprima: o nu mero de sorteios a diferenc a entre o resultado obtido com o me todo e o valor exato Ü Rode o programa algumas vezes modificando o nu mero de sorteios e observe como muda o valor da diferenc a
18 Integrac a o - Me todo da Ü Podemos obter o valor de uma integral pela relac a o: Z b I= f (x)dx = (b a)hf i a
19 Integrac a o - Me todo da Ü Podemos obter o valor de uma integral pela relac a o: Z b I= f (x)dx = (b a)hf i a b Z f (x)dx = lim I= a X i=1 f (xi ) x = lim x X X f (xi ) f (xi ) = (b a) lim i=1 i=1
20 Integrac a o - Me todo da Ü Podemos obter o valor de uma integral pela relac a o: Z b I= f (x)dx = (b a)hf i a b Z f (x)dx = lim I= a X i=1 f (xi ) x = lim x X X f (xi ) f (xi ) = (b a) lim i=1 i=1 Ü Como calcular a me dia? Se tivermos uma amostra de valores aleato rios de f (x), para x uniformemente distribuı dos entre a e b, podemos obter uma aproximac a o da me dia atrave s de: hf i ' 1 X f (xi ) i=1
21 Integrac a o - Me todo da Ü Podemos obter o valor de uma integral pela relac a o: Z b I= f (x)dx = (b a)hf i a b Z f (x)dx = lim I= a X f (xi ) x = lim x i=1 X X f (xi ) f (xi ) = (b a) lim i=1 i=1 Ü Como calcular a me dia? Se tivermos uma amostra de valores aleato rios de f (x), para x uniformemente distribuı dos entre a e b, podemos obter uma aproximac a o da me dia atrave s de: hf i ' 1 X f (xi ) i=1 Ü Enta o: Z b f (x)dx ' I= a b a X f (xi ) i=1
22 Exercı cio Ü Escreva um algoritmo para calcular uma integral usando o me todo da me dia. Ü Escreva uma func a o em C que implemente o algoritmo do item anterior Z 1 Ü Use essa func a o para calcular I = x 3 dx 0 Ü O nu mero de pontos sorteados deve ser lido do teclado Ü imprima: o nu mero de sorteios a diferenc a entre o resultado obtido com o me todo e o valor exato
23 Estimativa da Ü Como relacionar nu mero de sorteios com a precisa o do resultado obtido?
24 Estimativa da Ü Como relacionar nu mero de sorteios com a precisa o do resultado obtido? Um dos principais problemas dos me todos de
25 Estimativa da Ü Como relacionar nu mero de sorteios com a precisa o do resultado obtido? Um dos principais problemas dos me todos de Ü Podemos usar as leis da estatı stica para estimar a incerteza Ü Uma seque ncia de nu meros (pseudo-)aleato rios qualquer possui uma me dia µ = hx i e uma dispersa o σ, medida por sua varia ncia, σ 2 = h(x µ)2 i hx 2 i hx i2
26 Estimativa da Ü Como relacionar nu mero de sorteios com a precisa o do resultado obtido? Um dos principais problemas dos me todos de Ü Podemos usar as leis da estatı stica para estimar a incerteza Ü Uma seque ncia de nu meros (pseudo-)aleato rios qualquer possui uma me dia µ = hx i e uma dispersa o σ, medida por sua varia ncia, σ 2 = h(x µ)2 i hx 2 i hx i2 Ü O desvio padra o, σ, define um intervalo em torno da me dia onde ha uma certa concentrac a o dos nu meros, 68% se a distribuic a o for gaussiana
27 Estimativa da Ü Como relacionar nu mero de sorteios com a precisa o do resultado obtido? Um dos principais problemas dos me todos de Ü Podemos usar as leis da estatı stica para estimar a incerteza Ü Uma seque ncia de nu meros (pseudo-)aleato rios qualquer possui uma me dia µ = hx i e uma dispersa o σ, medida por sua varia ncia, σ 2 = h(x µ)2 i hx 2 i hx i2 Ü O desvio padra o, σ, define um intervalo em torno da me dia onde ha uma certa concentrac a o dos nu meros, 68% se a distribuic a o for gaussiana Ü Pode-se mostrar que o desvio padra o da me dia vale σ σµ =, que pode ser tomada como a incerteza estatı stica sobre hf i
28 Estimativa da Ü o caso da integral pelo me todo da me dia, temos: µ = hf i, {f1, f2, f3,..., f } q σ σf = hf 2 i hf i2, σµ = f onde fi = f (xi ). Ü Sendo I = (b a)hf i δi = (b a)σµ σ δi = (b a) f
29 Estimando a de uma Podemos verificar este resultado diretamente, realizando M experimentos independentes, cada um com eventos {xi }:
30 Estimando a de uma Podemos verificar este resultado diretamente, realizando M experimentos independentes, cada um com eventos {xi }: Ü Sorteamos valores xi, calculamos os correspondentes fi = f (xi ). Calculamos I, (b a)σf, δi = (b a)σµ Se soubermos o resultado exato Io, calculamos tambe m o erro I Io
31 Estimando a de uma Podemos verificar este resultado diretamente, realizando M experimentos independentes, cada um com eventos {xi }: Ü Sorteamos valores xi, calculamos os correspondentes fi = f (xi ). Calculamos I, (b a)σf, δi = (b a)σµ Se soubermos o resultado exato Io, calculamos tambe m o erro I Io Ü Repetimos este procedimento M vezes, com seque ncias de eventos {xi } independentes
32 Estimando a de uma Podemos verificar este resultado diretamente, realizando M experimentos independentes, cada um com eventos {xi }: Ü Sorteamos valores xi, calculamos os correspondentes fi = f (xi ). Calculamos I, (b a)σf, δi = (b a)σµ Se soubermos o resultado exato Io, calculamos tambe m o erro I Io Ü Repetimos este procedimento M vezes, com seque ncias de eventos {xi } independentes Ü Calculamos a me dia hii e o desvio padra o σi das M estimativas de I
33 Estimando a de uma Podemos verificar este resultado diretamente, realizando M experimentos independentes, cada um com eventos {xi }: Ü Sorteamos valores xi, calculamos os correspondentes fi = f (xi ). Calculamos I, (b a)σf, δi = (b a)σµ Se soubermos o resultado exato Io, calculamos tambe m o erro I Io Ü Repetimos este procedimento M vezes, com seque ncias de eventos {xi } independentes Ü Calculamos a me dia hii e o desvio padra o σi das M estimativas de I Observamos que cada δi e da mesma ordem da dispersa o σi, ou dos erros Quanto maior, melhor conhecemos I, e portanto menor e δi Obs.: σf mede a dispersa o dos fi e na o das M me dias hf i
34 Estimando a de uma Podemos verificar este resultado diretamente, realizando M experimentos independentes, cada um com eventos {xi }: Ü Sorteamos valores xi, calculamos os correspondentes fi = f (xi ). Calculamos I, (b a)σf, δi = (b a)σµ Se soubermos o resultado exato Io, calculamos tambe m o erro I Io Ü Repetimos este procedimento M vezes, com seque ncias de eventos {xi } independentes Ü Calculamos a me dia hii e o desvio padra o σi das M estimativas de I Observamos que cada δi e da mesma ordem da dispersa o σi, ou dos erros Quanto maior, melhor conhecemos I, e portanto menor e δi Obs.: σf mede a dispersa o dos fi e na o das M me dias hf i Experimentos independentes = Sementes diferentes
35 Estimando a de uma f (x) = 4x 3 /81, x [0, 3] I= R3 0 f (x)dx = experimentos com =10000 sorteios cada Exp I hii = Erro (b a)σf σi = δi = (b a)σf / h Erro i = ' 1% δi e uma boa estimativa do Erro para um dado I
36 Exercı cio Ü Modifique o seu programa que calcula a integral pelo me todo da me diappra incluir o ca lculo do desvio padra o da func a o σf = hf 2 i hf i2. Ü Imprima o valor de (b a)σf e σi = (b a)σf /. Compare este u ltimo com a diferenc a entre o resultado obtido com o me todo e o valor exato da integral. Ü Fac a M ca lculos independentes de I para um dado nu mero de sorteios e veja como σi e a diferenc a com o valor exato se comportam.
37 - Importance Sampling Erro da integral pelo me todo de : σ δi = (b a) f Ü Depende do tamanho da amostra {fi } Ü Proporcional a varia ncia do integrando, isto e, ao quanto f (x) varia
38 - Importance Sampling Erro da integral pelo me todo de : σ δi = (b a) f Ü Depende do tamanho da amostra {fi } Ü Proporcional a varia ncia do integrando, isto e, ao quanto f (x) varia Como minimizar as incertezas?
39 - Importance Sampling Erro da integral pelo me todo de : σ δi = (b a) f Ü Depende do tamanho da amostra {fi } Ü Proporcional a varia ncia do integrando, isto e, ao quanto f (x) varia Como minimizar as incertezas? ä Fazer muitos sorteios
40 - Importance Sampling Erro da integral pelo me todo de : σ δi = (b a) f Ü Depende do tamanho da amostra {fi } Ü Proporcional a varia ncia do integrando, isto e, ao quanto f (x) varia Como minimizar as incertezas? ä Fazer muitos sorteios ä Realizar uma mudanc a de varia vel, de forma a tornar o integrando em algo mais uniforme
41 - Importance Sampling Erro da integral pelo me todo de : σ δi = (b a) f Ü Depende do tamanho da amostra {fi } Ü Proporcional a varia ncia do integrando, isto e, ao quanto f (x) varia Como minimizar as incertezas? ä Fazer muitos sorteios ä Realizar uma mudanc a de varia vel, de forma a tornar o integrando em algo mais uniforme
42 Dado um p(x), tal que Z b Rb a Z b f (x)dx = I= a p(x)dx = 1, temos a f (x) p(x)dx = p(x) Z p(b) g(y)dy p(a) onde g(y ) = f (x), p(x) dy = p(x)dx Ü O problema e encontrar p(x) (na o ha receita) Deve ser uma func a o que se comporta como f (x), de forma a tornar o integrando g(y ) aproximadamente uniforme
43 Exemplo R1 Queremos resolver I = 0 x 3 dx Uma func a o parecida e : p(x) = x 2 Z 1 3 x I= (x 2 ) dx g(y) = x, dy = (x 2 )dx 2 0 x Temos de determinar g(y) = x em termos de y : Z x 1 x3 2 dy = (x )dx y = (x 02 )dx 0 = x = (3y) Limites: x = 0 = y = 0, x = 1 = y = 1/3 Enta o: Ü Gera-se uniformemente um nu mero aleato rio y entre 0 e 1/3 Z 1/3 1 Ü Calcula-se I= (3y ) 3 dy 0 pelo me todo da me dia
44 Exercı cio Ü Escreva um programa em C (integral.c) que calcule Z 1 I= x 3 dx usando o me todo da me dia. Use 0 = 1000 Ü Use a func a o peso p(x) = x 2 para calcular a mesma integral pelo me todo da me dia com importance sampling. Ü Para cada caso imprima a integral e sua incerteza. Compare os resultados.
Me todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2012 Me todos Computacionais em Fı sica 1 2 Ca lculo de Me todo da Estimativa
Leia maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Primeiro Semestre de 2011 Me todos Computacionais em Fı sica 1 2 Ca lculo de Me todo da Estimativa
Leia maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 017 Ca lculo de I = lim N N X Z f (xi ) xi = xi = f (x)dx a i=1 onde b a
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 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 maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Primeiro Semestre de 2011 Me todos Computacionais em Fı sica 1 2 Ale m de ser usado para calcular
Leia maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2017 Determinac a o de por Me todos Nume ricos Em muitos problemas e necessa
Leia maisFı sica Experimental IV
E rica Polycarpo Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro com base no material do curso / 2/ E rica Polycarpo - poly@if.ufrj.br - sala A-30 Pa gina do curso: http://www.if.ufrj.br
Leia maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Jose Helder Lopes Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2016 Ale m de ser usado para calcular integrais, o Me todo de Monte
Leia maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2017 Os sistemas Fı sicos podem ser: Os sistemas Fı sicos podem ser: Ü determinı
Leia maisMe todos Computacionais em Fı sica
Me todos omputacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Primeiro Semestre de 2011 Me todos omputacionais em Fı sica 1 da 2 A Linguagem Programa que escolhe
Leia maisLista de exercícios estrutura de repetição FOR e While. 3. Criar um algoritmo que imprima a soma dos nu meros pares de 230 a 520..
Lista de exercícios estrutura de repetição FOR e While 1. Fac a um algoritmo que escreva os nu meros inteiros de 100 a 1. 2. Crie um algoritmo que leia N nu meros e para cada nu mero digitado imprima,
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 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 maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica Jose Helder Lopes e Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Primeiro Semestre de 2017 Ale m de ser usado para calcular integrais, o e
Leia maisAnálise de dados em Fisica de Particulas
Análise de dados em Fisica de Particulas Magno V.T. Machado Instituto de Fisica - UFRGS Escola de Fisica de Particulas e Campos. Agosto 05-09, 2013 Números aleatórios e Monte Carlo Muitas aplicações computacionais
Leia maisMe todos Computacionais em Fı sica
Me todos omputacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Primeiro Semestre de 2012 Me todos omputacionais em Fı sica 1 A Linguagem Estruturas de Decisa
Leia maisMe todos Computacionais em Fı sica
Me todos omputacionais em Fı sica s Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2017 Estruturas de Decisa o e lac os () Ü Nos algoritmos que vimos ate agora,
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 maisFı sica Experimental IV
E rica Polycarpo Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro com base no material do curso 1 / 12 1 Interfero metro de Michelson 2 Medida do Comprimento de onda 3 Medida do
Leia maisMe todos Computacionais em Fı sica
Me todos omputacionais em Fı sica s Jose Helder Lopes e Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Primeiro Semestre de 2017 Estruturas de Decisa o e lac os () s Ü Nos algoritmos
Leia maisFı sica Experimental IV
E rica Polycarpo Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro com base no material do curso 1 / 13 1 2 / 13 Introduc a o O estudo da radiac a o de corpo negro esta nas origens
Leia maisInferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Leia maisFísica Geral - Laboratório (2014/1) Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação
Física Geral - Laboratório (2014/1) Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação 1 Resumo: estimativa do valor esperado estimativa do valor esperado ± erro
Leia maisEstudo do efeito da gravidade na turbule ncia e campo magne tico nas regio es de formac a o estelar
Estudo do efeito da gravidade na turbule ncia e campo magne tico nas regio es de formac a o estelar Lorena do Carmo Jesus Orientador: Diego Falceta Gonc alves 1 / 13 1 2 OBJETIVOS GERAIS 3 MOTIVACOES 4
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 maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA 5 - Integração numérica (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda). Calcule as integrais a seguir pela regra
Leia maisAGA Análise de Dados em Astronomia I. 2. Probabilidades
1 / 26 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 2. Probabilidades Laerte Sodré Jr. 1o. semestre, 2019 2 / 26 aula de hoje: 1 o que são 2 distribuições de 3 a distribuição normal ou gaussiana
Leia maisFı sica Experimental IV
E rica Polycarpo Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro com base no material do curso 1 / 12 1 - Lei de Malus 2 / 12 Exp. 2 - - Lei de Malus Objetivos Verificac a o da
Leia maisFísica Geral - Laboratório. Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação
Física Geral - Laboratório Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação 1 Resumo: estimativa do valor esperado estimativa do valor esperado ± erro (unidade)
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 maisMétodos Quantitativos para Ciência da Computação Experimental
Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão
Leia maisMe todos Computacionais em Fı sica gnuplot
Me todos omputacionais em Fı sica Jose Helder Lopes e Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Primeiro Semestre de 2017 : Motivac a o Determinar o mo dulo ~x do vetor de
Leia maisSeção 2.3 Uma Variável Quantitativa: Medidas de Dispersão
Seção 2.3 Uma Variável Quantitativa: Medidas de Dispersão Sumário Uma variável quantitativa: Desvio padrão Escore z Resumo dos cinco números Amplitude e AIQ Percentis FilmesHollywood2011.xls Desvio Padrão
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisPROVA RESOLVIDA FUB CESPE 2018
PROVA RESOLVIDA FUB CESPE 08 (CESPE 08/FUB) Paulo, Maria e João, servidores lotados em uma biblioteca pública, trabalham na catalogação dos livros recém-adquiridos. Independentemente da quantidade de livros
Leia maisAula 00 Aula Demonstrativa
Aula 00 Modelos de questões comentadas CESPE-UnB... 4 Relação das questões comentadas... 13 Gabaritos... 14 1 Olá, pessoal. Vamos começar a estudar Estatística para o futuro concurso do TCU? Esta é a aula
Leia maisMAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Interpolação e Integração. φ(x k ) ψ(x k ).
MAP 22 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Interpolação e Integração : Sejam x =, x =, x 2 = 2 e x 3 = 3. (a) Determine os polinômios de Lagrange L i (x) correspondentes a estes pontos
Leia maisRenato Martins Assunção
Análise Numérica Erros, Extrapolação de Richardson e Quadratura Gaussiana Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 40 Análise do erro Sabemos
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 maisCE008 Introdução à Bioestatística INFERÊNCIA ESTATÍSTICA
CE008 Introdução à Bioestatística INFERÊNCIA ESTATÍSTICA Silvia Shimakura Estimação Amostras são usadas para estimar quantidades desconhecidas de uma população. população Exemplo: prevalência de doenças,
Leia maisMonte Carlo Method. Peter Frank Perroni. December 1, Monte Carlo Simulation
Monte Carlo Simulation December 1, 2015 Histórico Técnica muito antiga porém somente recentemente oficializado como método estatístico. Foi muito importante nas simulações da bomba desenvolvida no Projeto
Leia maisHewlett-Packard ESFERAS. Aulas 01 e 02. Elson Rodrigues, Gabriel Carvalho e Paulo Luiz Ramos
Hewlett-Packard ESFERAS Aulas 01 e 02 Elson Rodrigues, Gabriel Carvalho e Paulo Luiz Ramos Ano: 2017 Sumário ESFERA... 1 SEÇÃO PERPENDICULAR A UM EIXO... 1 VOLUME DE UMA ESFERA... 1 ÁREA DA SUPERFÍCIE
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 Distribuição Normal Motivação: Distribuição
Leia maisEstimativas e Erros. Propagação de erros e Ajuste de funções
Estimativas e Erros Propagação de erros e Ajuste de funções 1 Algumas referências Estimativas e Erros em Experimentos de Física - Vitor Oguri et al (EdUERJ) Fundamentos da Teoria de Erros - José Henrique
Leia maisBioestatística INFERÊNCIA ESTATÍSTICA. Silvia Shimakura
Bioestatística INFERÊNCIA ESTATÍSTICA Silvia Shimakura AMOSTRAS E POPULAÇÕES Inferências sobre populações são geralmente feitas a partir de informações obtidas de amostras. amostras Válido se a amostra
Leia maisFísica Computacional 4 Integrais numéricos
Física Computacional 4 Integrais numéricos 1. Aplicando c++ aos integrais numéricos a. Integral rectangular b. A regra do trapézio c. Integração de Simpson d. Pontos de Gauss e. Metropolis Monte-Carlo
Leia maisQuarto projeto computacional (data de entrega: 05/06/17)
Quarto projeto computacional (data de entrega: 05/06/17) 1. Escreva um programa em MATLAB (ou na sua linguagem favorita) que implemente numericamente o modelo de neurônio integra-e-dispara com vazamento
Leia maisHewlett-Packard ESFERAS. Aulas 01 e 02. Elson Rodrigues, Gabriel Carvalho e Paulo Luiz Ramos
Hewlett-Packard ESFERAS Aulas 01 e 02 Elson Rodrigues, Gabriel Carvalho e Paulo Luiz Ramos Ano: 2016 Sumário ESFERA... 1 SEÇÃO PERPENDICULAR A UM EIXO... 1 VOLUME DE UMA ESFERA... 1 ÁREA DA SUPERFÍCIE
Leia maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia maisEstatística II Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula Prof.: Patricia Maria Bortolon, D. Sc. Distribuições Amostrais ... vocês lembram que: Antes de tudo... Estatística Parâmetro Amostra População E usamos estatíticas das amostras para
Leia maisSELEÇÃO E ANÁLISE CRÍTICA DA LITERATURA. Heitor Carvalho Gomes 2017
SELEÇÃO E ANÁLISE CRÍTICA DA LITERATURA Heitor Carvalho Gomes 2017 Literatura "Nesta fase deve-se responder a s seguintes questo es: quem ja escreveu e o que ja foi publicado sobre o assunto? que aspectos
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisAula 16. Integração Numérica
CÁLCULO NUMÉRICO Aula 16 Integração Numérica Integração Numérica Cálculo Numérico 3/41 Integração Numérica Em determinadas situações, integrais são difíceis, ou mesmo impossíveis de se resolver analiticamente.
Leia maisCa lculo Vetorial. 2) Fac a uma corresponde ncia entre as func o es f e os desenhos de seus campos vetoriais gradientes.
Se tima Lista de Exercı cios a lculo II - Engenharia de Produc a o extraı da do livro A LULO - vol, James Stewart a lculo Vetorial 1) Determine o campo vetorial gradiente de f. a) f (x, y) = ln(x + y)
Leia maisMe todos Computacionais em Fı sica
Me todos omputacionais em Fı sica Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2012 Me todos omputacionais em Fı sica 1 A Linguagem Varia veis Indexadas
Leia maisMe todos Computacionais em Fı sica
Me todos Computacionais em Fı sica : Revisa o do Jose Helder Lopes Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2016 : Revisa o do Ü Conhecemos: y 0 (x) = f (x, y) e
Leia maisFísica Geral - Laboratório. Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação
- Laboratório Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação 1 Resumo: estimativa do valor esperado estimativa do valor esperado ± erro (unidade) x x = s
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 maisUma breve introdução ao estudo da Estatística
Uma breve introdução ao estudo da Estatística Por : Cecília Cristina Resende Alves e Laurito Miranda Alves Conhecendo a estatística Podemos definir a Estatística como sendo o ramo das Ciências Exatas que
Leia maisFundamentos Estatı sticos para Cie ncia dos Dados Ajuste de distribuic o es
Fundamentos Estatı sticos para Cie ncia dos Dados Ajuste de distribuic o es Renato Martins Assunc a o DCC, UFMG - 2015 Plano do tópico Vamos aprender a verificar se uma amostra segue uma certa distribuição
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Simulação O que é simulação? Reprodução de um
Leia maisFísica Geral - Laboratório (2013/1) Aula 4: Estimativas e erros em medidas diretas (II)
Física Geral - Laboratório (2013/1) Aula 4: Estimativas e erros em medidas diretas (II) 1 Resumo: estimativa do valor esperado estimativa do valor esperado ± erro (unidade) x x = s x p N Estimativa do
Leia maisAULA 8. DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017
AULA 8 DISTRIBUIÇÕES DE VARIÁVEIS CONTÍNUAS Uniforme, Exponencial e Normal 19/05/2017 As funções de distribuição (acumulada) e de densidade para v.a. contínuas = =. Se a densidade f(x)for continua no seu
Leia maisLaboratório de Simulação Matemática. Parte 3 2
Matemática - RC/UFG Laboratório de Simulação Matemática Parte 3 2 Prof. Thiago Alves de Queiroz 2/2017 2 [Cap. 4] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia maisMe todos Computacionais em Fı sica Lac os: for X while I/O Entrada e Saı da Escrevendo em Arquivos Lendo de Arquivos
Me todos omputacionais em Fı sica Lendo de Sandra Amato Instituto de Fı sica Universidade Federal do Rio de Janeiro Segundo Semestre de 2017 Lendo de int, long int: Inteiros: ontadores, indices,... float,
Leia maisNOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS
NOÇÕES RÁPIDAS DE ESTATÍSTICA E TRATAMENTO DE DADOS Prof. Érica Polycarpo Bibliografia: Data reduction and error analysis for the physica sciences (Philip R. Bevington and D. Keith Robinson) A practical
Leia maisCanal do YouTube Prof. Guilherme Neves
Oi, pessoal!! Aqui quem vos fala é o professor Guilherme Neves. Vamos resolver a prova de Estatística Aplicada do concurso da SEFAZ-BA (Administração Tributária). Para tirar dúvidas e ter acesso a dicas
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 mais1.1 Exemplo da diferença da média da população para a média amostral.
1 Estatística e Probabilidades Inferência Estatística consiste na generalização das informações a respeito de uma amostra, para a sua população. A Probabilidade considera modelos para estimar informações
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 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 maisMétodos Estatísticos
Métodos Estatísticos 7 Inferência Estatística stica Estimação de Parâmetros Proporções Referencia: Estatística Aplicada às Ciências Sociais, Cap. 9 Pedro Alberto Barbetta. Ed. UFSC, 5ª Edição, 2002. Estimação
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia mais2. podemos solucionar problemas não somente probabilisticas, mas tambem qualquer
Aula 3 (21/3/211, 23/3/211). Métodos de Monte Carlo I. Introdução. 1 Teoria ão temos no momento a definição exata de metodos de Monte Carlo. o nosso curso metodos de Monte Carlo vamos chamar metodos computacionais
Leia maisSimulações de Monte Carlo
Simulações de Monte Carlo Aula 1 O que são simulações de Monte Carlo? Estimando o valor de π. Probabilidades, a função de partição canônica e amostragem por importância. O algoritmo de Metropolis; exemplos.
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisFundamentos Estatı sticos para Cie ncia dos Dados V.A. s I.I.D. e Transformc o es de v.a. s
Fundamentos Estatı sticos para Cie ncia dos Dados V.A. s I.I.D. e Transformc o es de v.a. s Renato Martins Assunc a o DCC, UFMG Material do capítulo 6 das Notas de Aula Renato Assunção, DCC, UFMG Estatística
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 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 maisão, Regressão & Simulação
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 09: Correlação ão, Regressão & Simulação 1/43 Pode-se pesar um urso com fita métrica? Como os ursos, em sua
Leia maisalgoritmo "exercício 13" var op1, op2: real operador: caractere inicio escreva ("Entre com o primeiro operando: ") leia (op1) escreva ("Entre com o
algoritmo "exercício 13" var op1, op2: real operador: caractere inicio escreva ("Entre com o primeiro operando: ") leia (op1) escreva ("Entre com o segundo operando: ") leia (op2) escreva ("Entre com um
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisEquações diferenciais ordinárias
Departamento de Física Universidade Federal da Paraíba 24 de Junho de 2009 Motivação Problemas envolvendo equações diferenciais são muito comuns em física Exceto pelos mais simples, que podemos resolver
Leia maisFSC Exercício preparatório para experiências Lei de Hooke e a constante elástica da mola
FSC5122 - Exercício preparatório para experiências Lei de Hooke e a constante elástica da mola Diz a lei de Hooke que uma mola deslocada (esticada ou comprimida) uma distância x de sua posição de equilíbrio
Leia maisInterpolação polinomial
Quarto roteiro de exercícios no Scilab Cálculo Numérico Rodrigo Fresneda 8 de abril de 0 Guia para respostas: Entregue suas respostas às tarefas contidas no roteiro de cada uma das quatro atividades, incluindo
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisLista de exercícios de Análise Numérica
Lista de exercícios de Análise Numérica 1. Calcule 10 log x dx : 6 a) Usando a formula dos trapézios; b) Usando a fórmula do trapézio repetida 8 vezes c) Delimite o erro nos dois casos e compare-os. 2.
Leia maisHewlett-Packard PIRÂMIDES. Aulas 01 a 03. Elson Rodrigues, Gabriel Carvalho e Paulo Luiz Ramos
Hewlett-Packard PIRÂMIDES Aulas 01 a 0 Elson Rodrigues, Gabriel Carvalho e Paulo Luiz Ramos Ano: 2016 Sumário PIRÂMIDES... 1 CLASSIFICAÇÃO DE UMA PIRÂMIDE... 1 ÁREAS EM UMA PIRÂMIDE... 1 VOLUME DE UMA
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 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 maisDistribuição gaussiana
Apêndice D Distribuição gaussiana Existem diversas situações práticas em que não é possível prever o resultado, apenas a probabilidade de um determinado resultado ocorrer. No dia a dia lidamos com alguns
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
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 maisInferência Estatística
Inferência Estatística Estatísticas mais comuns: 1 Média x n n x i i 1 Variância s 2 1 n 1 n i 1 ( x i x) 2 Menor valor da amostra X 1, Maior Valor da Amostra X (n) Amplitude W= X (n) - X (1) Proporção
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia mais