Notas em Matemática Aplicada Editores Cassio Machiaveli ... - sbmac

More documents

Recommendations

Info

Conteúdo Prefácio 11 1 Variáveis Aleatórias, Vetores Aleatórios e Processos Estocásticos 13 1.1 Variáveis aleatórias . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.1.1 Variáveis aleatórias discretas . . . . . . . . . . . . . . . . . 14 1.1.2 Variáveis aleatórias contínuas . . . . . . . . . . . . . . . . . 17 1.1.3 Propriedades hilbertianas . . . . . . . . . . . . . . . . . . . 20 1.1.4 Sequências de variáveis aleatórias . . . . . . . . . . . . . . . 21 1.2 Vetores aleatórios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 1.3 Processos estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . 29 1.4 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2 Máximo de Entropia e Informação 33 2.1 Construção do modelo estocástico . . . . . . . . . . . . . . . . . . . 33 2.2 Princípio da Entropia Máxima . . . . . . . . . . . . . . . . . . . . 35 2.2.1 Variáveis aleatórias discretas . . . . . . . . . . . . . . . . . 35 2.2.2 Variáveis aleatórias contínuas . . . . . . . . . . . . . . . . . 39 2.2.3 Vetores aleatórios . . . . . . . . . . . . . . . . . . . . . . . . 46 2.2.4 Matrizes aleatórias . . . . . . . . . . . . . . . . . . . . . . . 49 2.3 Exercícios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3 Método de Monte Carlo e Geração de Amostras de Variáveis e Vetores Aleatórios 55 3.1 Método de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . 55 3.1.1 Lei dos grandes números . . . . . . . . . . . . . . . . . . . . 57 3.1.2 Teorema do limite central . . . . . . . . . . . . . . . . . . . 58 3.1.3 Integração com o método de Monte Carlo . . . . . . . . . . 61 3.2 Geração de amostras de variáveis e vetores aleatórios . . . . . . . . 69 3.2.1 Geradores baseados em congruência linear . . . . . . . . . . 71 3.2.2 Parâmetros do gerador baseado em congruência linear . . . 72 7
Page 1 and 2: Notas em Matemática Aplicada e-ISS
Page 3 and 4: MODELAGEM ESTOCÁSTICA E GERAÇÃO
Page 5: Agradecimentos Osautoresagradecemao
Page 11 and 12: Prefácio Modelagem estocástica co
Page 13 and 14: Capítulo 1 Variáveis Aleatórias,
Page 15 and 16: (i) pX(x) = 0, ∀ x /∈ X(Ω); (
Page 17 and 18: O k-ésimo q-quantil de uma variáv
Page 19 and 20: Dado uma função (mensurável) h :
Page 21 and 22: A relação ∼ é uma relação de
Page 23 and 24: Exemplo 1.1.8. Seja {Xi} i∈N uma
Page 25 and 26: Figura 1.2: Vetor aleatório (mapa
Page 27 and 28: Figura 1.3: Gráfico da função de
Page 29 and 30: Figura 1.4: Gráficoda função den
Page 31 and 32: e sejam U, V e W funções em Ω d
Page 33 and 34: Capítulo 2 Máximo de Entropia e I
Page 35 and 36: Muitas vezes, a realização de exp
Page 37 and 38: Caso X assumisse um número infinit
Page 39 and 40: Os multiplicadores (λ0 −1) e λ1
Page 41 and 42: o extremo identificado é um máxim
Page 43 and 44: • δ = σ µ é um fator de dispe
Page 45 and 46: Variáveis aleatórias contínuas c
Page 47 and 48: Além de (2.2.78), outros vínculos
Page 49 and 50: Exemplo 2.2.9. Seja {X} uma vetor a
Page 51 and 52: Estafunçãodensidadedeprobabilidad
Page 53 and 54: (a) caso somente o segundo momento
Page 55 and 56: Capítulo 3 Método de Monte Carlo
Page 57 and 58:
2. Contar quantas amostras estão d
Page 59 and 60:
Figura 3.2: Histograma normalizado
Page 61 and 62:
Figura 3.3: Variância de Sn/n em f
Page 63 and 64:
Exemplo 3.1.5. Para ilustrar o mét
Page 65 and 66:
Número de amostras Î 10 3 6.1655
Page 67 and 68:
integração através de Monte Carl
Page 69 and 70:
Figura 3.6: Tempo de computação g
Page 71 and 72:
de variáveis aleatórias não deve
Page 73 and 74:
Notação Decimal Notação Binári
Page 75 and 76:
3.3 Método da Transformada Inversa
Page 77 and 78:
Exemplo 3.3.1. Suponha que deseja-s
Page 79 and 80:
ondeu (i) 1 sãoamostrasdeumavariá
Page 81 and 82:
amostras não é aleatória. Vale o
Page 83 and 84:
onde q é a probabilidade de sucess
Page 85 and 86:
Utiliza-se o método da Rejeição
Page 87 and 88:
Page 89 and 90:
3.6 Exercícios Exercício 3.6.1. I
Page 91 and 92:
Capítulo 4 Método de Monte Carlo
Page 93 and 94:
Os elementos da matriz [T] são cha
Page 95 and 96:
O período de um estado si, si ∈
Page 97 and 98:
Figura 4.2: Grafo de Transição de
Page 99 and 100:
Assim, substituindo (4.1.33) em (4.
Page 101 and 102:
de Hastings): 3. Avaliar a função
Page 103 and 104:
103 e a atualização das amostras,
Page 105 and 106:
105 mais rapidamente as amostras ge
Page 107 and 108:
Figura 4.7: Gráfico de frequência
Page 109 and 110:
Page 111 and 112:
111 Para gerar amostras u (i) 2 seg
Page 113 and 114:
N 10 5 10 6 Tabela 4.3: Estimativ
Page 115 and 116:
Capítulo 5 Expansão de Karhunen-L
Page 117 and 118:
onde c = 1/a. A expressão (5.1.7)
Page 119 and 120:
119 putacional, é escrito para faz
Page 121 and 122:
121 Representando as m realizaçõe
Page 123 and 124:
123 Figura 5.2: Autovalores, λk, e
Page 125 and 126:
125 Para estimar a função densida
Page 127 and 128:
127 A partir dos histogramas normal
Page 129 and 130:
Figura 5.8: Densidades p X(t=2,w) e
Page 131 and 132:
Capítulo 6 Propagação de Incerte
Page 133 and 134:
133 Na figura (6.1) são mostradas
Page 135 and 136:
Figura 6.3: Estimativas de média e
Page 137 and 138:
137 Figura 6.6: Histograma normazal
Page 139 and 140:
Bibliografia [1] J. P. Albuquerque
Page 141 and 142:
Bibliografia 141 [26] J. Neveu. Mat
Page 143 and 144:
Índice cadeia de Markov, 93 Chapma
show all

Notas em Matemática Aplicada Editores Cassio Machiaveli ... - sbmac

Create successful ePaper yourself

Delete template?

Save as template?