An´alise de Dados e Simula¸c˜ao

M´arcia D’Elia Branco
Universidade de S˜
ao Paulo
Instituto de Matem´
atica e Estat´ıstica
http:www.ime.usp.br/ mbranco

Introdu¸c˜
ao a Simula¸c˜
ao.


arcia D’Elia Branco

An´
alise de Dados e Simula¸c˜
ao

O que denominados sequˆencia de n´ umeros aleat´ orios s˜ao realiza¸c˜oes independentes de uma v. M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao .1).a.N´umeros aleat´orios Vamos assumir que temos um bom gerador de n´ umeros (pseudo) aleat´ orios. Nesta disciplina todos os programas de simula¸c˜ao dever˜ao ser elaborados na linguagem R (http://www. O algoritmo computacional para simular esses n´ umeros aleat´ orios ´e sempre determin´ıstico.r-project.org/). A partir deste valor aleat´ orio b´asico iremos simular diversos modelos probabil´ısticos discretos e cont´ınuos. Uniforme no intervalo (0. O bom algoritmo gera uma sequˆencia que pare¸ca aleat´ oria (pseudo aleat´ oria).

a. O procedimento acima ´e justificado pela Lei dos Grandes N´ umeros.M´etodos de Monte Carlo Valores aproximados de integrais podem ser obtidos utilizando-se simula¸c˜ao. simulamos uma amostra grande de valores de U e utilizamos a m´edia da amostra como uma aproxima¸c˜ao do valor da esperan¸ca. Por exemplo. Esses m´etodos s˜ao conhecidos como Monte Carlo. Procedimento similar pode ser utilizado para obter E[g(X)]. qualquer. calculamos g(x) para cada valor simulado e obtemos a m´edia dos g(x) calculados. 1) e temos interesse em calcular E[U]. em que X ´e uma v. Neste caso simulamos de X. se U ∼ U nif (0. M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao .

M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao . Como determinar o valor de π (pi) via simula¸c˜ao de Monte Carlo? Desenvolvido em sala de aula.M´etodos de Monte Carlo Exemplos em sala de aula.

1) . Por que? .Simula¸c˜ao de V. cont´ınuas. 1. Discreta Considere uma v. . .A.Se j=0 j=0 Observa¸c˜ oes: . . k k−1 P P pj fa¸ca X = xk . X tal que P (X = xj ) = pj .Simula U ∼ U(0.a. .Este m´etodo ´e denominado M´etodo da Transformada Inversa. Se U < p0 fa¸ca X = x0 . pj ≤ U < . 2. e ∞ P pj = 1. O nome se ajusta melhor ao uso do m´etodo em v. . j = 0. . k = 1.a.O algoritmo ´e mais eficiente de ordenamos de forma decrescente os pi ´s. M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao . . j=1 Id´ eia geral do algoritmo: .

A. 2. . . . j = 1. . Discreta Caso especial: Uniforme em {1. n Note que. Aplica¸c˜ ao: Simulando Permuta¸c˜oes Aleat´ orias (sala de aula).Simula¸c˜ao de V. 2 . . n} 1 . usando a algoritmo anterior se U ∼ U(0. n. . . M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao .1) P (X = j) = X = j ⇔ j − 1 ≤ nU < j Podemos reescrever como X = Int(nU ) + 1 onde Int(a) representa a parte inteira do n´ umero a.

Simula¸c˜ao de Alguns Modelos Discretos 1. q = 1 − p. Geom´ etrica P (X = i) = pq i−1 .A.1) X = j ⇔ 1 − q x−1 ≤ U < 1 − q x Equivalente a ) X = min{x : q x < 1 − U } = min{x : x > log(1−U logq } Portanto. Fun¸c˜ao distribui¸c˜ao acumulada x P P (X = i) = 1 − P (X > x) = 1 − q x F (x) = i=1 Usando o algoritmo da Transformada Inversa se U ∼ U(0. V. i ≥ 1 .   logU X = Int +1 logq M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao .

. F = F + p e i = i + 1.d. λp (iv) Fa¸ca p = (i+1) . p = e−λ e F = p (iii) Se U < F fa¸ca X = i e pare.Simula¸c˜ao de Alguns Modelos Discretos 2. V.acumulada ´e considerar a seguinte rela¸c˜ao recursiva pi = P (X = i) = pi+1 = λ pi . . (v) Volte ao passo (iii). i+1 Algoritmo: (i) Simula U ∼ U(0.1) (ii) Fa¸ca i = 0. . i! Um modo eficiente de obter os valores da f. Poisson λi −λ e i = 0.A. λ > 0. M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao . i ≥ 0. 1.

. . i+11−p Algoritmo: (i) Simula U ∼ U(0. V. pr = (1 − p)n e F = pr (ii) Fa¸ca c = (1−p) (iii) Se U < F fa¸ca X = i e pare. Binomial pi = P (X = i) = n! pi (1 − p)(n−i) i = 0. (iv) Fa¸ca pr = c(n−i) (i+1) pr. i!(n − i)! Um modo eficiente de obter os valores da f. i = 0.acumulada ´e considerar a seguinte rela¸c˜ao recursiva pi+1 = n−i p pi . (v) Volte ao passo (iii). M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao .1) p .A.Simula¸c˜ao de Alguns Modelos Discretos 3. . F = F + pr e i = i + 1.d. n . . 1.

p) ´e usar a sua interpreta¸c˜ao como soma de Bernoulli independentes.Simula¸c˜ao de Alguns Modelos Discretos Coment´ arios Uma alternativa para simula¸c˜ao de X ∼ binomial(n. M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao . Como simular uma sequˆencia de Bernoulli independentes? Desenvolvido em aula.

. 1/c ´e a probabilidade de aceita¸c˜ao do algoritmo (m´edia).M´etodo de Rejei¸c˜ao-Aceita¸c˜ao Suponha que exista um algoritmo eficiente para simular de uma v.discreta Y com probabilidades q0 . . .discreta X com probabilidades p0 .a. Por que funciona? M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao fa¸ca . . q1 . . . . Desejamos simular de uma outra v. repita o procedimento. p1 .a. Se U < X = y e pare. . Seja c uma constante tal que pj qj ≤ c para todo pj > 0. py cqy py cqy ´e denominada probabilidade de aceita¸c˜ao do valor y. Caso contr´ario. Simulamos y de Y e um n´ umero aleat´ orio U .

9. . α e X = X2 com prob. Exemplo: P (X = j) = 0. 3. (1 − α).5pj M´ arcia D’Elia Branco An´ alise de Dados e Simula¸c˜ ao . 10 (1) (2) Fazemos pj = 0. 2.1. 7. 8. Caso contr´ario. 8. 4. (1) (2) Note que P (X = j) = 0. simulamos de X2 . Se U < α simulamos de X1 . 5 e P (X = j) = 0. 2. j = 1.2.15 para j = 6. 10 e pj = 0.5pj + 0. .M´etodo da Composi¸c˜ao Considere X = X1 com prob. 10. . Note que (1) (2) P (X = j) = αpj + (1 − α)pj (1) (2) com pj associado a X1 e pj a X2 . 7. . j = 6.05 para j = 1. 9.